Рекомендации и персонализация

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 — общая картина.
• Поиск по сайту — когда запрос всё-таки есть.
• Эмбеддинги и Vector DB — техническая основа векторных рекомендаций.
• ИИ в маркетинге — персонализация в кампаниях и рассылках.

Материалы и источники

• Google Research: рекомендательные системы — публикации по коллаборативной фильтрации и ранжированию
• Microsoft Research: Recommenders — открытые реализации и бенчмарки
• Nielsen Norman Group: рекомендации и доверие — исследования пользовательского восприятия персонализации
• Qdrant: рекомендательные системы на векторах — практическая реализация поиска похожего