po čem muži touží

Analýza | Doporučovací systémy | Behaviorální modelování | Srpen 2025

Co když klíč k pochopení toho, po čem muži touží, neleží v psychologii, ale v architektuře neuronových sítí a v produkčním nasazení systémů predikce preferencí?

Otázka „po čem muži touží" provází lidskou kulturu od nepaměti - od Platónových dialogů přes Shakespearovy sonety až po moderní dating aplikace. Jako softwaroví inženýři, kteří denně navrhují systémy pro modelování uživatelského chování, jsme si však všimli něčeho zásadního: tato otázka je v jádru strojově učícím problémem. Každá aplikace, každá platforma, každý doporučovací algoritmus se snaží odpovědět na stejnou otázku - jen v kontextu preferencí, nikoli filozofie.

V produkčních prostředích, kde jsme nasazovali systémy pro predikci uživatelských preferencí v měřítku milionů requestů denně, jsme zjistili, že modelování touhy není otázkou jednoduché korelace. Je to problém sparse feedback loops, cold startu a kolapsu filtrů. A právě tyto technické výzvy - a způsoby, jak je řešíme - poskytují překvapivě přesnou odpověď na to, po čem muži touží.

Od filozofie touhy k datovému inženýrství: Když se preference stávají trénovacími daty

Každý systém, který predikuje lidské preference - ať už jde o doporučování filmů, produktů nebo partnerů - stojí na stejném předpokladu: minulé chování je prediktorem budoucí touhy. Tento předpoklad je formálně zachycen v kolaborativním filtrování, jak ho popsal Breese et al v roce 1998 v práci „Empirical Analysis of Predictive Algorithms for Collaborative Filtering". V praxi to znamená, že pokud chceme vědět, po čem muži touží, stačí analyzovat matici interakcí: kdo kliknul na co, kdo hodnotil jaký obsah, kdo strávil čas na které stránce.

V jednom z našich produkčních systémů pro e-commerce doporučení jsme narazili na jev, který behaviorální ekonomové nazývají „revealed preference" (odhalená preference). Uživatelé tvrdili, že touží po prémiových produktech, ale jejich clickstream ukazoval na levnější alternativy. Tento rozpor mezi deklarovanou a skutečnou touhou je fundamentálním problémem feature inženýrství. Naučili jsme se modelovat nikoli to, co uživatelé říkají, ale to, co dělají - a to vyžaduje jiný přístup k návrhu embeddingů a loss funkcí.

Z hlediska MLOps jsme zjistili, že standardní binary cross-entropy loss nestačí. Modely trénované pouze na binární signalizaci (kliknul/nekliknul) systematicky podceňovaly komplexitu touhy - zejména její temporální dynamiku. To, po čem muži touží v pondělí ráno, se liší od toho, po čem touží v pátek večer, a model bez časových embeddingů to nikdy nezachytí.

Architektura doporučovacích systémů: Jak modelujeme to, po čem muži touží

V jádru každého moderního doporučovacího systému leží two-tower architecture (dvouvěžová architektura), jak je popsána v dokumentaci TensorFlow Recommenders. Jedna věž kóduje uživatele (jeho historii, demografii, kontext), druhá věž kóduje itemy (obsah, metadata, popularitu). Skóre je dáno skalárním součinem embeddingů. V této formulaci je „touha" jen kosinová podobnost mezi vektorem uživatele a vektorem itemu.

V praxi jsme však narazili na limitaci této architektury: homogenní embedding prostor předpokládá, že všechny dimenze touhy jsou stejně důležité pro všechny uživatele. To není pravda. Někteří uživatelé (řekněme muži hledající dobrodružství) mají vysokou váhu na dimenzi „novost", zatímco jiní (muži hledající stabilitu) váží dimenzi „konzistence". To nás vedlo k implementaci personalized attention mechanism - každý uživatel dostane svůj vlastní weight vector nad embedding prostorem.

Z hlediska produkčního nasazení jsme použili Apache Kafka jako event streaming platformu pro sběr interakcí v reálném čase a Redis jako feature store pro low-latency přístup k uživatelským embeddingům. Výsledná architektura byla schopná aktualizovat predikce touhy s latencí pod 50 milisekund - což je kritické, protože touha je ze své podstaty pomíjivá.

Reinforcement Learning a reward modeling: Když se touha stává optimalizační funkcí

Standardní supervised learning modely predikují touhu na základě historických dat, ale neoptimalizují pro budoucnost. Zde přichází na řadu reinforcement learning (RL). V RL frameworku je touha definována jako reward signal - skóre, které agent obdrží po provedení akce. To, po čem muži touží, je pak ekvivalentní politice, která maximalizuje kumulativní reward.

V projektu, kde jsme optimalizovali doporučování obsahu pro mužské uživatele ve věku 25-40 let, jsme implementovali Deep Q-Network (DQN) s experience replay bufferem. Architektura byla postavena na PyTorch a používala dueling network architekturu, kde jedna věž odhadovala hodnotu stavu a druhá výhodu jednotlivých akcí. To nám umožnilo oddělit, co muži obecně chtějí (hodnota stavu) od toho, co chtějí v konkrétním kontextu (výhoda akce).

Klíčový insight z produkčního nasazení: reward shaping je kritický. Pokud reward signalizuje pouze okamžité uspokojení (kliknutí), model se naučí preferovat clickbait. Pokud reward zahrnuje i dlouhodobou spokojenost (setrvání na stránce, opakovaná návštěva), model lépe modeluje hlubší touhy. Implementovali jsme hybridní reward funkci s γ=0. 95, kde každá interakce přispívá k diskontovanému budoucímu rewardu.

Kolaps filtrů a echo chambers: Když systémy predikce touhy selhávají

Každý inženýr, který nasazoval doporučovací systém, zná problém filter bubble collapse. Systém se natrénuje na historická data, začne preferovat úzkou množinu itemů, a uživatel uvízne v lokálním optimu - dostává stále to samé, protože model „ví", že to bude fungovat. To je technický ekvivalent toho, když se někdo ptá „po čem muži touží" a dostává stále stejnou odpověď.

V praxi jsme tento problém řešili pomocí exploration-exploitation tradeoff implementovaného přes epsilon-greedy politiku s decay. Na začátku model exploroval s vysokou ε (30 % náhodných doporučení), po stabilizaci ε klesla na 1 %. Dále jsme přidali diversity penalty do loss funkce - model byl penalizován, pokud doporučoval příliš podobné itemy. Tento přístup je přímočaře aplikovatelný na otázku touhy: lidé sami nevědí, po čem touží, dokud to neochutnají, a systém musí explorovat, aby objevil nové preference.

Zajímavý je i sociologický aspekt. V produkčních datech jsme pozorovali, že muži ve věku 18-30 let mají výrazně vyšší míru explorace než starší věkové skupiny. To není jen demografický fakt, ale má to přímý dopad na hyperparameter tuning - epsilon musí být věkově personalizovaná. To je příklad, kdy pochopení toho, po čem muži touží, přímo ovlivňuje architekturu modelu.

Odhalená preference vsskutečná touha: Výzva pro feature engineering

Jedním z nejzásadnějších zjištění naší práce je, že to, co muži říkají, že chtějí, se systematicky liší od toho, co jejich interakce odhalují. V datovém inženýrství tomu říkáme reporting bias - uživatelé poskytují zkreslené informace, protože chtějí vypadat konzistentně, nebo protože nejsou schopni introspekce. Tento problém je dobře zdokumentován v literatuře o recommendation systems od Google.

V praxi jsme implementovali implicit feedback pipeline, která modeluje touhu výhradně na základě behaviorálních signálů: čas strávený na stránce, rychlost scrollování, pohyb myši, opakované návštěvy. Tyto signály jsou agregovány do engagement score, který je používán jako cílová proměnná místo explicitních hodnocení. Zjistili jsme, že implicitní feedback má o 22 % vyšší prediktivní sílu než explicitní ratingy pro dlouhodobou retenci.

Feature engineering pro tento problém zahrnoval temporal features (den v týdnu