对谈Concured首席技术官:利用AI和MongoDB打造个性化内容推荐系统

本文涉及的产品
云数据库 Tair(兼容Redis),内存型 2GB
Redis 开源版,标准版 2GB
推荐场景:
搭建游戏排行榜
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
简介: 内容无处不在。无论消费者寻找什么或所处任何行业,找到内容并不困难;关键在于如何找到对应的内容。

Built with MongoDB 栏目采访了AI初创企业Concured在成立约一年后加入的首席技术官 Tom Wilson,围绕 Concured 的人工智能使用情况、Wilson 加入团队的过程、坚持选择MongoDB的原因以及公司未来发展展开讨论。

关于Concured

image.png

内容无处不在。无论消费者寻找什么或所处任何行业,找到内容并不困难;关键在于如何找到对应的内容。而这就是 Concured 专注的领域。

Concured 是一家来自蒙特利尔的AI 初创企业,致力于协助市场营销团队对标受众,有的放矢地打造网站和销售内容;同时,帮助内容营销团队脱颖而出,加速基于洞察驱动的内容个性化。2015 年,首席执行官 Tom Salvat 创立 Concured,旨在助力内容营销机构更深入地理解受众需求,交付更具影响力的内容。

Built with MongoDB:Concured 是做什么的?

Tom Wilson:Concured 是一家软件公司,以过去 5-10 年间发展的人工智能技术为基础,帮助市场营销人员了解如何撰写具体领域的宣发物料,发掘自身内容亮点,把握竞争对手以及行业宣发现状;进而打造个性化的客户网站使用体验,最大化内容投资收益比。

Concured 已成功推出一套内容推荐系统,能够为每位访问者提供针对性服务。这套系统注重用户隐私,不使用任何第三方 cookie 或用户监视技术,完全基于网站用户的操作,通过访问者的点击行为勾勒出其兴趣领域。随着用户的兴趣和目的逐渐清晰,这套系统会尝试推荐新的阅读内容,比如博文、产品介绍或其他类型的内容。

Built with MongoDB:Concured 是如何使用人工智能的呢?

Wilson:我们运用人工智能的场景有很多。有别于其他个性化系统,Concured 的卖点之一是不需要过长的整合期,也无需在日常管理中进行维护。实现的途径是借助 AI 机器人剖析客户网站的内容,发掘相关性,提取文本、标题和其他所有相关元数据,然后完成自动索引。

我们的系统利用先进的自然语言处理 (NLP) 技术,为每个文档生成语义元数据,在多维空间中与特定点相对应。另一方面是理解其中的关键实体,以及同一个网站中某一篇特定文章与其他文章之间的关系。我们利用 AI 支持的网络爬虫找到的所有内容都会自动附上海量元数据。

image.png

Built with MongoDB:AI 并不总是 100% 准确,您在 Concured 打造的 NLP 的准确度怎么样呢?

Wilson:以内容推荐系统而言,很难断定什么是最佳推荐,因为即便是同一个人,根据日期或网络操作的不同,推荐也会有所变化。例如一些知名的推荐系统,如 Netflix、Amazon 和 Spotify,总是在猜我们接下来想看什么,但其实并没有一个唯一正确的答案。

正因如此,推荐系统的性能评估变得非常困难。所以,我们采取的方式并不是提供 100% 对应的正确答案,而是通过改变算法,来看访问者是否会点击更多的文章,或进入网站运营商定义的目标页面,比如产品页面或注册表单。访问者最终采取预期行动的比例越高,说明推荐系统越出色。通过比较采用Concured个性化系统前后的网站转化率,我们可以看到2-3 倍的提升,这显示出算法持续优化的成果。

Built with MongoDB:您是何时加入到 Concured 团队的?

Wilson:当时公司已经得到第一笔来自外部的巨额投资,条件之一是引入一位专业的首席技术官。这种情况在企业初创期比较常见,投资方想要介入企业架构,把控资金流向,减少鲁莽行事。所以,有些企业将其戏称为“家长式监督”。我不知道这算不算是我的角色,毕竟当时的团队已经很强大;但我还是从架构入手,从根本上确保我们能够实现后续的目标,以及更长期的战略规划和技术愿景。

image.png

Built with MongoDB:您的团队是如何选择 MongoDB 的?

Wilson:我加入时,团队已经在使用 MongoDB。加入后的几个月里,我们讨论过是否要换用结构化的数据库,这在当时是一个必须要做的决定。所以我才参与其中,经过深思熟虑,决定继续使用 MongoDB。事实证明这个决定是完全正确的,有利于我们实现最初的愿景。同时,我们将弃用Google Cloud Platform上的社区版本,换用 MongoDB Atlas Serverless。令人欣喜的是,归功于无服务器,我们将不再需要管理各种机器,还能够使用 Atlas 上的文本搜索功能,顺便简化一下我们的技术堆栈。作为一家企业,就我们当下所处的位置以及未来五年的发展方向而言,MongoDB 始终是我们正确的选择。

Built with MongoDB: Concured 的未来是什么样的?

Wilson:就在我们交谈的过程中,未来已经被书写。此时此刻,越来越多和我们大客户有着相同需求的企业正在找到我们。这些企业那些有着海量、已存档的内容,需要继续从中挖掘价值和进行大量发布。无论是咨询公司、金融服务行业的大企业,还是传统出版商,他们都希望确保推广的内容是精准的,并能以相应的 KPI 为基准,产出利益最大化的对应内容。
image.png

Built with MongoDB:您收到的最好反馈是什么?

Wilson:我的团队给我的一条正面反馈,是说我有担当。如果他们遇到问题,我会出手解决或者减少阻力,这样他们就可以全力以赴解决问题。这是我的人生观:如果你用心领导团队,事情就会自然顺利推进。

扫码加入钉群,与MongoDB专家一对一沟通,了解更多阿里云MongoDB产品与方案,市场活动及线上培训等内容。
4D23CF4C-EABF-40B3-80BE-5E4EDE071C42.png

相关实践学习
MongoDB数据库入门
MongoDB数据库入门实验。
快速掌握 MongoDB 数据库
本课程主要讲解MongoDB数据库的基本知识,包括MongoDB数据库的安装、配置、服务的启动、数据的CRUD操作函数使用、MongoDB索引的使用(唯一索引、地理索引、过期索引、全文索引等)、MapReduce操作实现、用户管理、Java对MongoDB的操作支持(基于2.x驱动与3.x驱动的完全讲解)。 通过学习此课程,读者将具备MongoDB数据库的开发能力,并且能够使用MongoDB进行项目开发。   相关的阿里云产品:云数据库 MongoDB版 云数据库MongoDB版支持ReplicaSet和Sharding两种部署架构,具备安全审计,时间点备份等多项企业能力。在互联网、物联网、游戏、金融等领域被广泛采用。 云数据库MongoDB版(ApsaraDB for MongoDB)完全兼容MongoDB协议,基于飞天分布式系统和高可靠存储引擎,提供多节点高可用架构、弹性扩容、容灾、备份回滚、性能优化等解决方案。 产品详情: https://www.aliyun.com/product/mongodb
相关文章
|
2月前
|
存储 NoSQL 关系型数据库
非关系型数据库-MongoDB技术(二)
非关系型数据库-MongoDB技术(二)
|
2月前
|
NoSQL 关系型数据库 MongoDB
非关系型数据库-MongoDB技术(一)
非关系型数据库-MongoDB技术(一)
|
21天前
|
存储 人工智能 NoSQL
使用 MongoDB 构建 AI:Gradient Accelerator Block 如何在几秒钟内让您从零开发 AI
借助 MongoDB,开发者可以存储任何结构的数据,然后使用单一查询 API 和驱动程序将这些数据用于 OLTP、文本搜索和向量搜索处理。
|
21天前
|
人工智能 NoSQL 测试技术
使用 MongoDB 构建 AI:Patronus 如何自动进行大语言模型评估来增强对生成式 AI 的信心
若需了解更多MongoDB Atlas相关内容,可前往:https://www.mongodb.com/zh-cn/atlas
使用 MongoDB 构建 AI:Patronus 如何自动进行大语言模型评估来增强对生成式 AI 的信心
|
2月前
|
存储 监控 NoSQL
*MongoDB的水平扩展主要通过分片技术实
*MongoDB的水平扩展主要通过分片技术实
42 5
|
21天前
|
人工智能 自然语言处理 NoSQL
|
21天前
|
人工智能 NoSQL 机器人
MongoDB Atlas与YoMio.AI近乎完美适配:推理更快速、查询更灵活、场景更丰富
随着MongoDB的新发布和革新,YoMio.AI的“闪电式发展”值得期待。
|
28天前
|
机器学习/深度学习 人工智能 搜索推荐
用AI技术打造个性化新闻推荐系统
【10月更文挑战第7天】本文将介绍如何使用AI技术构建一个个性化的新闻推荐系统。我们将从数据收集、处理,到模型训练和优化,最后实现推荐系统的全过程进行讲解。通过这篇文章,你将了解到如何利用机器学习和深度学习技术,为用户提供精准的新闻推荐。
40 0
|
3月前
|
数据采集 机器学习/深度学习 人工智能
利用AI技术实现个性化新闻推荐系统
【8月更文挑战第31天】 本文将介绍如何利用AI技术实现一个个性化的新闻推荐系统。我们将使用Python语言和一些常用的机器学习库,如scikit-learn和pandas,来构建一个简单的推荐系统。这个系统可以根据用户的阅读历史和兴趣偏好,为他们推荐相关的新闻文章。我们将从数据预处理、特征提取、模型训练和结果评估等方面进行详细的讲解。