Персонализация контента

Происхождение и история термина

Одна из исследовательских линий персонализации — адаптивная гипермедиа: связанные ссылками материалы, меняющиеся под пользователя. В обзоре 2001 года Брусиловский относит начало этого направления к ранним 1990-м. Он связывает его рост после 1996 года с распространением Всемирной паутины и накоплением опыта исследований. Это история подхода, а не дата рождения русского термина. ^[1]

Современная документация Google рассматривает персональную подборку на главной странице как один из распространённых вариантов рекомендаций. Её задача — помочь обнаружить интересный материал, даже если человек ещё не сформулировал поисковый запрос. ^[2]

Суть и механизм

Для понимания механизма удобно разделить сведения и решение. Сведения сообщают, чем пользователь интересовался; правило или модель определяет, какие материалы ему предложить. Например, Google описывает подбор рекомендаций через сходство объектов с тем, что человеку уже нравится. Само наличие большой коллекции материалов ещё не задаёт персональный порядок: требуется основание выбора для этого пользователя. ^[2]

Источники сведений можно увидеть в справке developers.google.com. Там перечислены данные профиля разработчика, посещённые страницы и неоднократно искомые проекты или продуктовые направления. Это описание конкретного сайта. Оно не означает, что любой рекомендательный блок собирает такой же набор информации. ^[3]

Рассмотрим учебный пример. Городское издание предлагает подписчику выбрать тему «Транспорт». У каждой статьи есть тематическая метка. Правило подборки берёт материалы с нужной меткой и формирует из них выпуск. Здесь предпочтение задано самим читателем, а исполнение правила можно проверить: материал о ремонте трамвайных путей подходит, обзор школьных олимпиад — нет.

Теперь изменим условие: человек ничего не выбирал, но однажды открыл новость о трамвае. Редакция решила считать этот переход признаком интереса. Результат внешне похож, однако основание слабее: читатель мог искать сведения для знакомого. Это возможная ошибка нашего учебного правила, а не доказанный вывод о предпочтениях человека. Настройка «сменить тему» дала бы ему способ исправить подборку.

Виды и классификации

У Брусиловского различаются два уровня адаптации: представление самого материала и навигация между материалами. В первом случае меняется содержание страницы, во втором — предлагаемые ссылки, например их порядок или пояснения к ним. Это классификация адаптивной гипермедиа, полезная для разбора персонализации, а не обязательный стандарт всех платформ. ^[1]

Другая граница проходит между персональными и контекстными рекомендациями. Контекст здесь — открытая страница. Справка developers.google.com прямо описывает режим, в котором рекомендации основаны только на ней, без индивидуальных сведений. Поэтому надпись «Вам также понравится» сама по себе ничего не доказывает о способе подбора. ^[3]

В учебном примере издания группировка подписчиков по выбранным темам — сегментация. Выпуск для группы «Транспорт» реализует персонализацию на уровне сегмента: каждый получает подходящую его выбору тему, но внутри группы письма одинаковы. Чтобы персонализировать порядок для каждого человека, понадобилось бы ещё одно правило. Различие этих операций важно зафиксировать до разработки.

Как применяется на практике

На YouTube рекомендации работают, в частности, на главной странице и в панели следующего видео. Главная авторизованного пользователя объединяет персональные рекомендации, подписки и новости; следующая подборка учитывает просматриваемое видео и другие предполагаемые интересы. Одинаковое слово «рекомендации» здесь обозначает разные ситуации показа. ^[4]

Российский исторический пример — анонс Яндекс Карт от 9 апреля 2024 года. Компания сообщала о подборе мест по истории маршрутов, поиску организаций, отзывам и предпочтениям похожих пользователей. Таким образом, персональным мог быть выбор карточек городских мест, а не только новостей или видео. Эти сведения описывают запуск 2024 года. ^[5]

Для нашего издания практическая задача уже: помочь подписчику найти сведения о поездках по городу. Перед запуском редакция может вручную разобрать несколько выпусков. Если человек выбрал транспорт, но получил только материалы о продаже автомобилей, техническое совпадение метки ещё не означает выполнения задачи. В этом примере полезно уточнить рубрику и проверить содержание статей, прежде чем усложнять алгоритм.

Как измерить или проверить

Продолжим учебный пример. За один выпуск общей рассылки 100 получателей получили письмо, и 10 из них перешли хотя бы к одному материалу. В тематической рассылке письмо получили ещё 100 человек, перешли 14. Считаем людей, а не клики: три перехода одного получателя дают одного участника в числителе.

Доля перешедших = число получателей с хотя бы одним переходом / число получателей письма × 100%.

Получаем 10 / 100 × 100% = 10% и 14 / 100 × 100% = 14%. Разница равна 4 процентным пунктам. Относительно исходных 10% это на 40% больше: разницу 4 делим на 10 и умножаем на 100%. Процентные пункты описывают расстояние между долями, проценты — относительное изменение; подменять одно другим нельзя.

Эти числа не показывают, что именно персонализация вызвала разницу. В условиях примера люди могли сами выбрать тематическую подписку и изначально активнее читать транспортные новости. Мы не знаем, как те же читатели отреагировали бы на общий выпуск. Поэтому здесь сравниваются две наблюдаемые доли, а не оценивается причинный эффект или статистическая значимость.

Отдельно проверим работу правила: что получит новый подписчик без выбранной темы, изменится ли следующий выпуск после смены темы, не попадёт ли один материал в письмо дважды. Это предложенная редакцией проверка конкретного сценария. Для оценки полезности можно дополнительно спросить читателей, нашли ли они нужную информацию, и разбирать отписки вместе с переходами.

Ошибки, ограничения и спорные вопросы

В нашем примере легко перепутать успех отправки с успехом подбора. Письмо может прийти вовремя и содержать правильную метку, но не отвечать на вопрос читателя. Ошибка также возникнет, если в числитель доли записать все клики, а в знаменатель — людей: показатель уже будет означать другое.

Ориентироваться только на переходы недостаточно для оценки удовлетворённости. Например, YouTube описывает использование не только поведения, но и отметок, подписок, отзывов и опросов удовлетворённости. Сервис также позволяет приостанавливать, редактировать и удалять историю поиска и просмотров. Эти возможности подтверждены для YouTube; в собственной системе их нужно отдельно предусмотреть и проверить. ^[4]

Правовой аспект

Когда персонализация использует персональные данные, важны основания их обработки. Пункт 1 части 1 статьи 6 закона № 152-ФЗ предусматривает согласие субъекта; это один из случаев в перечне, а не универсальное объяснение законности любой подборки. Здесь используется редакция закона от 26.07.2026. ^[6]

Для ресурсов с рекомендательными технологиями применима также статья 10.2-2 закона № 149-ФЗ в редакции от 26.06.2026, с изменениями, действующими с 01.09.2026. Она охватывает предоставление информации по анализу предпочтений пользователей, находящихся в России. Части 1–3 предусматривают информирование о технологии, публикацию правил её применения и сведений о владельце. Правила должны описывать используемые сведения, их источники и способы обработки, быть доступны бесплатно и на русском языке. Есть исключения, в частности для операторов государственных информационных систем. ^[7]

Эти обязанности введены с 1 октября 2023 года законом № 408-ФЗ. Применимость норм к конкретному сайту и основание обработки данных требуют юридической оценки; приведённый обзор её не заменяет. ^[8]

Частые вопросы

Связанные термины

• umnaya-lenta
• algoritm-lenty
• segmentatsiya-auditorii
• kontent-marketing
• a-b-testirovanie
• personalnye-dannye