YarnN для автоподбора связанных записей WordPress: настройка и примеры

Автоподбор связанных записей — важный элемент для повышения вовлечённости пользователей на сайте WordPress. Плагин YARPP (Yet Another Related Posts Plugin) давно зарекомендовал себя в этой области, но при больших объёмах данных и сложных критериях поиска его производительность и точность могут оставлять желать лучшего. В этой статье рассмотрим, как с помощью YarnN — современной библиотеки для работы с графами и нейронными сетями — улучшить подбор связанных записей, повысить релевантность рекомендаций и ускорить поиск.

Почему стандартный YARPP не всегда идеален для автоподбора

YARPP использует традиционные алгоритмы на основе совпадений таксономий, тегов и текста. Хотя это работает на большинстве сайтов, при большом количестве записей и размытых критериях рекомендации могут быть не достаточно точными. Кроме того, производительность базы данных страдает при сложных запросах, что замедляет загрузку страниц.

Для решения этих проблем имеет смысл применять более продвинутые алгоритмы, которые учитывают контекст, взаимосвязи и семантику записей. Здесь на помощь приходит YarnN — инструмент, который позволяет строить графы связей и использовать нейросети для вычисления релевантности.

Что такое YarnN и как он помогает с автоподбором связанных записей

YarnN — это библиотека на JavaScript с открытым исходным кодом, ориентированная на создание и анализ графов, а также применение нейронных сетей. В контексте WordPress её можно использовать для построения графовой модели связей между записями, основанной не только на тегах и категориях, но и на пользовательском поведении, метаданных и содержимом.

Преимущества использования YarnN:

• Возможность учитывать сложные связи и скрытые паттерны между записями.
• Обработка больших объёмов данных с эффективной структурой графа.
• Гибкость настройки алгоритмов для разных типов сайтов и тематики.

Далее рассмотрим пример интеграции YarnN для улучшения автоподбора.

Пример интеграции YarnN для автоподбора связанных записей

Для начала нам потребуется экспортировать данные записей из WordPress: ID, заголовки, категории, теги, пользовательские мета-поля и, опционально, данные о поведении (просмотры, клики). Затем создадим граф, где вершины — это записи, а рёбра — связи на основе совпадений и других метрик.

Шаг 1. Установка YarnN и подготовка данных

Установим YarnN через npm (если используется Node.js для обработки данных):

npm install yarnn

Экспорт данных из WordPress можно сделать через WP REST API или напрямую из базы. Пример запроса к REST API для получения записей с категориями и тегами:

fetch('https://yarpp.ru/wp-json/wp/v2/posts?per_page=100')
  .then(response => response.json())
  .then(posts => {
    // обработка данных
  });

Шаг 2. Построение графа связей

Создадим простейший граф, где записи связаны, если имеют общие теги или категории. Используем YarnN для создания графа и вычисления центральности вершин, чтобы определить самые релевантные связанные записи.

import { Graph } from 'yarnn';

const graph = new Graph();

// Добавляем вершины (записи)
posts.forEach(post => {
  graph.addNode(post.id, { title: post.title.rendered });
});

// Добавляем рёбра (связи по общим таксономиям)
for (let i = 0; i < posts.length; i++) {
  for (let j = i + 1; j < posts.length; j++) {
    const commonCategories = posts[i].categories.filter(cat => posts[j].categories.includes(cat));
    const commonTags = posts[i].tags.filter(tag => posts[j].tags.includes(tag));
    if (commonCategories.length + commonTags.length > 0) {
      graph.addEdge(posts[i].id, posts[j].id, { weight: commonCategories.length + commonTags.length });
    }
  }
}

// Вычисляем центральность (pagerank) для рекомендаций
const pagerank = graph.pagerank();

Шаг 3. Вывод связанных записей на сайте

Для конкретной записи можно получить соседей с максимальным весом рёбер и рекомендовать их пользователю.

function yarppGetRelatedPosts(postId, graph, topN = 5) {
  const neighbors = graph.getNeighbors(postId);
  neighbors.sort((a, b) => b.weight - a.weight);
  return neighbors.slice(0, topN).map(n => ({ id: n.node, weight: n.weight }));
}

const related = yarppGetRelatedPosts(currentPostId, graph);

Далее данные можно отобразить через шаблон WordPress, например, с помощью AJAX-запроса к серверу, который возвращает JSON с рекомендациями.

Практические советы по использованию YarnN с WordPress

1. Для интеграции YarnN на сервере можно использовать Node.js или преобразовывать данные в JavaScript для фронтенда. Выбор зависит от архитектуры сайта и доступных ресурсов.

2. Обновляйте граф периодически, например, раз в сутки, чтобы учитывать новые записи и изменения в содержимом.

3. Используйте дополнительные параметры для рёбер, например, поведенческие метрики (время на странице, клики), чтобы учитывать популярность и вовлечённость.

4. В целях производительности можно кэшировать результаты рекомендаций с помощью transient API WordPress или внешнего кеша.

Альтернативные плагины и инструменты для автоподбора связанных записей

Если внедрять YarnN кажется слишком сложным, рассмотрите плагины с расширенными возможностями:

• Clearfy Pro — оптимизация и расширение функционала WordPress, включая улучшение связанных записей.
• Expert Review — для оценки и рекомендаций контента.

Эти плагины можно комбинировать с пользовательскими решениями на базе YarnN для максимальной эффективности.

Заключение по теме

YarnN открывает новые горизонты для улучшения автоподбора связанных записей в WordPress за счёт использования графовых алгоритмов и нейросетей. Это позволяет повысить релевантность рекомендаций, улучшить поведенческие показатели и удержание аудитории. Сочетание YarnN с классическими решениями и плагинами типа Clearfy Pro — отличный путь к современному функционалу сайта.