alexey - Dolgin.indb

150 Tapestry помогала пользователю оценивать электронные сообщения как «пло-

хие» или «хорошие», ориентируясь по оценкам других людей. Например, некто

мог обратить внимание на документы, которые отметил конкретный человек, или мог воспользоваться документами, аннотации которых содержат ключевые

слова. (См.: Terveen L., Hill W. Beyond Recommender Systems…) 151 Тут возникает задача суммирования рецензий, рассмотренная, например, в рабо-

те: Hu M., Liu B. Mining and Summarizing Customer Review // Proc. of the 10th ACM

SIGKDD, 2004. P. 168–177.

152 Поисковик Google сообщал о намерении платить внештатным экспертам за при-

182

ГЛАВА 2.7. ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

дателями движут немеркантильные интересы, возможно, потребность в

расширении знаний или в выстраивании обратной связи с пользовате-

лями, или стремление приобрести статус эксперта. Часто все, чего они

ждут – это благодарность за разъяснение, советы или провокационные

реакции.

2.7.3. Коллаборативные методы производства

рекомендаций

Системы коллаборативной фильтрации основываются на двух

принципах и, соответственно, бывают двух типов: анамнестические

(memory-based) и модельные (model-based)153.

Анамнестические алгоритмыпродуцируют оценки клиента, исходя

из его предшествующих оценок154 и совокупности оценок, данных товару

другими пользователями. Это типичная поклиентская, или, иначе, субъ-

ект-субъектная схема коллаборативной фильтрации. Чтобы подсказки

были точны, нужно решить две задачи: отфильтровать качественных ре-

комендателей и резюмировать их оценки. Вкусовое подобие между кли-

ентами устанавливается на основании того, какие оценки они дали одним

и тем же товарам155. А вот вычисляться оно может либо корреляцион-

сланные аналитические материалы о продуктах.

153 Breese J. S., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering //Proc. 14th Conf. Uncertainty in Artifi cial Intelligence, July 1998; Billsus D., Pazzani M. Learning Collaborative Information Filters // Proc. Intl Conf. Machine Learning, 1998.

154 Nakamura A., Abe N. Collaborative Filtering Using Weighted Majority Prediction Algorithms // Proc. 15th Intl Conf. Machine Learning, 1998; Delgado J., Ishii N. Memory-Based Weighted-Majority Prediction for Recommender Systems // Proc. ACM SIGIR’99

Workshop Recommender Systems: Algorithms and Evaluation, 1999; Resnick P., Iakovou N., Sushak M., Bergstrom P., Riedl J. GroupLens: An Open Architecture for Collaborative Filtering of Netnews // Proc. 1994 Computer Supported Cooperative Work Conf., 1994; Shardanand U., Maes P. Social Information Filtering: Algorithms for Automating «Word of Mouth» // Proc. Conf. Human Factors in Computing Systems, 1995.

155 В методе линейного сходства клиент и потенциальный рекомендатель представ-

ляются как два вектора m-мерного пространства, а сходство между ними опреде-

ляется по косинусу угла между двумя соответствующими векторами: где

– скалярное произведение двух векторов.

183

ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ

ным методом (используется коэффициент корреляции Пирсона), либо

методом линейного сходства. Простейший способ измерения сходства

между пользователями – по среднеквадратичному отклонению.

Для улучшения работы системы используются различные модифи-

кации ранее описанных методов156. В частности, для преодоления де-

фицита оценок конкретного пользователя и подбора ему подходящих

рекомендателей прибегают к «голосованию по умолчанию» (эта схема

подходит в том случае, если все потребляют одно и то же и сходным об-

разом оценивают). Эмпирически установлено, что точность предсказа-

ния растет, если присваивать неоцененным товарам некую гипотети-

ческую оценку. Чтобы получить ее, предложено вычислять сходство не

между пользователями, а между товарами157.

Поскольку вкусы людей из группы рекомендателей, подобранных

компьютерной программой для данного клиента, хотя и близки между

собой, но все же не идентичны, нужно каким-то образом резюмиро-

вать их общую оценку. В примитивном варианте она вычисляется как

простое среднее. В то же время ясно, что чем более сходны во вкусах

клиент и кто-то из его рекомендателей, тем весомей должен быть вклад

оценки данного рекомендателя в предсказание, обобщающее мнение

группы. Однако и в этом варианте учтено не все: в частности, поль-

зователи по-разному воспринимают шкалу оценок. Эта проблема сни-

мается, если абсолютные значения оценок корректируются с учетом

систематического сдвига от среднего для соответствующего рекомен-

дателя (так нивелируется общая позитивная или негативная установка

абонента).

Примем для простоты, что в нашем распоряжении для тестирования вкусов

только три произведения. Тогда каждого рекомендателя можно схематически