Innehållsrekommendationer för ökad relevans i digitala medier

Syfte och mål

Triggerbee har, med Vinnovas medfinansiering, genomfört ett projekt för att kickstarta Triggerbees AI-resa. Målsättningen med projektet har varit att dels kompetensutvecklas och få praktiska erfarenheter av AI och ML, och dels att utveckla en pilotmjukvara för innehållsrekommendationer på webbplatser. Projektet har fallit väl ut och lett till positiva effekter, kunskaper och en grund för vårt fortsätta arbete inom AI/ML.

Resultat och förväntade effekter

Datainsamling och bearbetning genomfördes och experiment av att applicera machine learning modeller på vår data. En viktig insikt är att våra olika kunder har olika datastrukturer och det sätter krav på hur modellerna sätts upp och tränas, vilket gör det utmanande att skapa som en generisk kommersiell programvara, men att standardmodeller och applikationer lämpar sig väldigt väl. En viktig del har varit att skapa dessa standardmodeller och avgränsningar. Detta är också värdefullt inför vår kommande rekrytering av nya utvecklare för att fortsätta vårt AI arbete i programvaran.

Upplägg och genomförande

Vi skapade en lösning som möjliggjorde att skapa produktrekommendationer på en predektiv modell, baserad på historisk transaktionsdata och information om lästa artiklar. Följande scenarier är stödda av vår modell: Artikel till artikel-relation: Typ: “Läsare som läser denna artikel, läser också ofta denna artikel”. Detta ökar exponeringen av artikelkatalogen och lästiden på sajten. Den algoritm vi valde kallas SAR, (Smart Adaptive Recommendations).