alexey - Dolgin.indb

139 Valenti J. Th

e Voluntary Movie Rating System. MPAA, December 1996.

178

ГЛАВА 2.7. ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

порождает для предпринимателей никаких отрицательных внешних

эффектов. Для культуры же значение рейтингов неоднозначно. Ей как

воздух необходима обратная связь, но более содержательная. Создавая

иллюзию потребительской рефлексии, рейтинги скорее сбивают куль-

туру с правильного пути, нежели указывают на него. Они в минималь-

ной степени служат культурной навигации, скорее – это буйки на пути

ухудшающего отбора, обозначающие фарватер.

Глава 2.7. Обзор рекомендательных систем140

В самом общем виде рекомендация – это прогнозирование оценки до

того момента, как человек сам опробовал объект. Прогноз составляется

на основе анализа предшествующих предпочтений покупателя или лю-

бой другой информации о нем141. Услуга состоит в следующем: из всего

разнообразия книг, CD, фильмов, ресторанов и т. п. для конкретного пот-

ребителя выбирается продукт с наивысшей ожидаемой полезностью142.

На каждого клиента рекомендательной системы143 составляется ин-

дивидуальный профиль, в котором учитываются его потребительские

предпочтения, а также (при необходимости) возраст, пол, доход, семей-

ное положение и т. д. Точно так же по определенным правилам описы-

ваются и товары. Например, в сервисе по фильмам каждая картина мо-

жет быть представлена названием ленты, жанром, режиссером, годом

выпуска, главными актерами и т. д. Первоначально в базу заносятся

потребительские оценки товаров, которые человек опробовал до вхо-

да в систему. Например, в системе MovieLens144 пользователи начина-

140 В разделе частично использованы материалы обзорной работы: Adomavicius G., Tuzhilin А. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions // IEEE Transactions on Knowledge and Data Engineering, Vol. 17, № 6, June 2005.

141 С середины 1990-х гг. рекомендательные системы выделились в самостоятельную

область научных исследований, которые опираются на достижения когнитивных

наук, наработки информационно-поисковых систем, теорию прогнозирования и

проч.

142 Это можно записать следующим образом:

где С – это множество пользователей (вплоть до многих миллионов), S – группа

предлагаемых товаров (тоже миллионы единиц), U – функция полезности, описывающая полезность предмета S для пользователя С.

143 Дополнительно о рекомендательных системах см. приложение 1, глава 11.

144 См. приложение 1, раздел 11.8.

179

ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ

ют с того, что проставляют баллы определенному количеству фильмов, которые они уже посмотрели. Системы способны выдавать рекоменда-

ции либо в виде перечня товаров наиболее подходящих данному потре-

бителю, либо в виде списка потребителей, для которых предпочтителен

некоторый товар (как подчеркивалось в первой главе, это различие на

практике оказывается принципиальным). Рекомендации могут генери-

роваться тремя способами:

1. Контентным: человеку рекомендуют товары, сходные с теми, кото-

рые он выбрал ранее.

2. Методом коллаборативной фильтрации: потребителю рекомен-

дуют товары, которые вычисляются по оценкам людей со схожими

вкусами, уже опробовавших данный продукт и поделившихся сво-

ими суждениями.

3. Гибриднымметодом, сочетающим в себе два предыдущих.

Кроме перечисленных существуют вспомогательные системы (кратко

упоминаются ниже), а также системы социальной навигации, которые

не являются рекомендательными и здесь не рассматриваются. В пос-

леднем случае предпочтения людей выявляют на основании прямых

и косвенных данных: интернет-сообщений, историй пользования

системой, гиперссылок и т. д. Они визуализируют взаимодействие че-

ловека с компьютером и помогают путешествующим по сети145.

2.7.1. Контентные методы выработки рекомендаций

В рекомендательных системах контентного типа полезность товара

выводится из потребительской оценки сходных продуктов. Например, для того чтобы посоветовать человеку фильмы, контентная система пы-

тается найти сходство между различными картинами, которые прежде

получили у него высокую оценку (одни и те же актеры, режиссеры, жан-

ры и т. д.). Подобные рекомендации основаны на принципе «найдите

для меня вещи, подобные тем, что мне нравились в прошлом». В основе

контентой рекомендательной системы лежат методы поиска информа-