---
title: Рекомендации и персонализация
description: "Как показывать то, что нужно, когда запроса нет: коллаборативные модели и LLM-переранжирование, холодный старт, объяснимость и границы персонализации."
---

## Чем это отличается от поиска

Поиск отвечает на явный запрос. Рекомендации работают, когда запроса нет: главная страница магазина, блок «с этим покупают», письмо с подборкой, следующий урок в курсе.

Формально это тот же конвейер — кандидаты, ранжирование, выдача — но сигналы другие: не текст запроса, а поведение, история, контекст страницы и свойства самого объекта.

## Что используется

| Подход | Сигнал | Сильная сторона | Слабое место |
|---|---|---|---|
| **Популярность** | Продажи, просмотры, клики | Работает с первого дня | Богатое становится богаче, новинки не видны |
| **Коллаборативная фильтрация** | «Похожие пользователи покупали» | Хорошо на большом трафике | Холодный старт, непрозрачность |
| **Контентные признаки** | Категории, атрибуты, текст | Работает для новых товаров | Не учитывает поведение |
| **Векторное сходство** | Эмбеддинги описаний и карточек | Быстро внедряется, объяснимо | Ошибки на близких, но не взаимозаменяемых товарах |
| **LLM-переранжирование** | Все сигналы плюс контекст страницы | Учитывает смысл запроса и ситуацию | Дорого и медленно для онлайн-выдачи |

Практика 2026 года: LLM почти нигде не заменяет рекомендательный движок, а **переранжирует верхушку** уже отобранных кандидатов. Это дешевле и предсказуемее, чем генерировать подборку с нуля.

## Холодный старт

Самая частая проблема: новый пользователь, новый товар, новый сайт.

- **Новый пользователь** — показывайте контекстные и популярные подборки, собирайте сигнал с первых действий, не требуйте регистрации.
- **Новый товар** — контентные признаки и векторное сходство с существующими; иначе он не появится в выдаче никогда.
- **Новый сайт** — начните с ручных подборок и правил, а не с модели: на малых данных ML даёт шум.

## Объяснимость и доверие

Рекомендация без причины вызывает подозрение: «почему мне показывают именно это?».

- **Короткое объяснение** («потому что вы смотрели…», «часто покупают вместе») повышает доверие и кликабельность.
- **Разнообразие** важнее идеальной точности: десять почти одинаковых товаров подряд читаются как ошибка.
- **Новизна** нужна: подборка, которая не меняется, перестаёт замечаться.
- **Приватность** — часть продукта, а не только юридический пункт: непонятно откуда взятая персонализация пугает сильнее, чем её отсутствие.

## Где ломается

- **Петля обратной связи.** Система показывает то, что уже кликали, и постепенно сужает выбор; новое не появляется.
- **Фильтр-пузырь.** Пользователю с одной покупкой показывают только эту категорию.
- **Ложные связи.** «С этим покупают» собирает товары по совместным заказам, а не по смыслу: подарочная упаковка попадает во все категории.
- **Смещение к популярному.** Хиты вытесняют маржинальные позиции, которые были бы уместнее.
- **Холодная выдача.** Первый экран для нового пользователя — витрина популярного, а не персонализация; это нормально, если осознанно.
- **Непрозрачность.** Нельзя объяснить рекомендацию — нельзя и защитить её на разборе.

## Метрики

- **CTR и позиция клика** в блоке — быстрый сигнал.
- **Конверсия из рекомендации** — реальная ценность, а не вовлечённость.
- **Покрытие каталога** — какая доля товаров вообще показывается хоть кому-то.
- **Разнообразие выдачи** — сколько уникальных позиций видит пользователь за сессию.
- **Повторные показы** — сколько раз один и тот же товар надоедает.
- **Доля новых пользователей, нашедших что-то** — качество холодного старта.

Вовлечённость без конверсии — ловушка: бесконечная лента даёт много кликов и мало заказов.

## Что проверять в проекте

- Есть ли **работающий холодный старт** — и как выглядит первый экран для нового пользователя.
- Учитывается ли **наличие и цена** при рекомендации (рекомендовать отсутствующее — терять клиента).
- Есть ли **объяснение** у блока.
- Настроено ли **разнообразие** и защита от петли обратной связи.
- Понятно ли, **какие данные** используются и можно ли отказаться.

## Связанные материалы

- [AI-поиск](https://wpcraft.ru/kb/ai/search.md) — общая картина.
- [Поиск по сайту](https://wpcraft.ru/kb/ai/search/site-search.md) — когда запрос всё-таки есть.
- [Эмбеддинги и Vector DB](https://wpcraft.ru/kb/ai/rag/embeddings-and-vector-db.md) — техническая основа векторных рекомендаций.
- [ИИ в маркетинге](https://wpcraft.ru/kb/marketing/ai.md) — персонализация в кампаниях и рассылках.

## Материалы и источники

- [Google Research: рекомендательные системы](https://research.google/pubs/) — публикации по коллаборативной фильтрации и ранжированию
- [Microsoft Research: Recommenders](https://github.com/recommenders-team/recommenders) — открытые реализации и бенчмарки
- [Nielsen Norman Group: рекомендации и доверие](https://www.nngroup.com/articles/) — исследования пользовательского восприятия персонализации
- [Qdrant: рекомендательные системы на векторах](https://qdrant.tech/documentation/) — практическая реализация поиска похожего