alexey - Dolgin.indb

данным потребителем. Технология может использоваться и для экс-

пертизы самого эксперта163. (Если профессиональный критик включа-

ется в орбиту рекомендательного сервиса, важно знать, в какой облас-

ти он специализируется и сколь авторитетен.)

Главное достоинство коллаборативной фильтрации состоит в том, что рекомендации персонифицированы. При этом сервис не просто

использует повседневную потребительскую активность участников, а

подталкивает их к размышлениям над своими поступками. Создате-

ли рекомендательных систем для торговли по вполне понятным при-

чинам стараются не утруждать потребителя и свести его рефлексию

к минимуму. Но несомненно, что для самого покупателя осмысление

выбора – полезное занятие. В частности, культурно-потребительская

активность может привести к формированию сообществ по интере-

репрезентативности). По некоторым оценкам, не являющимся окончательными, модельные методики превосходят анамнестические в точности рекомендаций.

См., например: Billsus D., Pazzani M. Learning Collaborative Information Filters и

Breese J. S., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering.

161 Ungar L. H., Foster D. P. Clustering Methods for Collaborative Filtering // Proc.

Recommender Systems, Papers from 1998 Workshop, Technical Report WS-98-08 1998.

162 В частности, для выработки рекомендаций предлагают использовать цепи Мар-

кова (Shani G., Brafman R., Heckerman D. An MDP-Based Recommender System //

Proc. 18th Conf. Uncertainty in Artifi cial Intelligence, Aug. 2002). Известен латент-

но-семантический анализ и группа методов, оперирующих понятиями гене-

ративной семантики. Показано, что коллаборативная фильтрация примени-

ма и при относительно небольшом количестве информации о пользователе

(Kumar R., Raghavan P., Rajagopalan S., Tomkins A. Recommendation Systems: A Probabilistic Analysis // Journal of Computer and System Sciences, Vol. 63, № 1, 2001. P. 42–61).

163 С помощью взаимной фильтрации формируются круги не только ценителей оп-

ределенного произведения, точно так же могут формироваться и группы поклон-

ников определенного критика.

186

ГЛАВА 2.7. ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

сам, и это бесконечно позитивно164 – при условии, что реальное (офф-

лайн) знакомство людей с их «вкусовыми» соседями не будет противо-

речить этике и принципу невмешательства в частную жизнь165.

Но в коллаборативных сервисах имеются и свои ограничения. К их

числу относится проблема нового пользователя. Чтобы дать ему точ-

ные рекомендации, системе прежде надлежит выяснить его предпоч-

тения. Это препятствие обходят, используя гибридный метод, совме-

щающий возможности контентного и коллаборативного принципов166.

Совсем недавно появились методики построения потребительского

профиля, в которых используется автоматическая обработка текстов

(data-mining), анализ сетевого поведения клиента и т. д. Они позволяют

учесть интересы и предпочтения пользователей, не обременяя их лиш-

ними вопросами, и тем самым насытить как их собственные профили, так и профили объектов. Эти технологии отчасти позволяют снять еще

одну проблему рекомендательных систем – назойливость (большин-

ство этих сервисов предполагают пользовательскую активность). Для

точного расчета необходимы оценки большого количества ранее оп-

робованных продуктов. Эти сведения стараются извлечь косвенными

методами167. Например, анализируют время, ушедшее на чтение ста-

тьи. Но косвенные данные неточны и не заменяют полностью прямых

оценок пользователя. Поэтому проблема снижения навязчивости ре-

комендательных систем при сохранении высокого качества их работы

164 Вообще говоря, сближение родственных по духу людей и формирование сооб-

ществ по интересам может оказаться главной ценностью коллаборативной тех-

нологии, радикально и позитивно меняющей мир.

165 Этика содействия организации обществ по интересам разбирается, в част-

ности, Тервином и Хиллом на примере системы PHOAKS. Главный приоритет

здесь – соблюдение невмешательства в частную жизнь (Terveen L., Hill W. Beyond Recommender Systems: Helping People Help Each Other // Carroll J. (ed.) HCI in the New Millennium. Addison-Wesley, 2001).

166 Подробнее см.: Rashid A. M., Albert I., Cosley D., Lam S. K., McNee S. M., Konstan J. A., Riedl J. Getting to Know You: Learning New User Preferences in Recommender Systems

// Proc. Intl Conf. Intelligent User Interfaces, 2002; Yu K., Schwaighofer A., Tresp V., Xu X., Kriegel H.-P. Probabilistic Memory-Based Collaborative Filtering // IEEE

Transactions on Knowledge and Data Engineering, Vol. 16, № 1, Jan. 2004. P. 56–69.

167 См.: Caglayan A., Snorrason M., Jacoby J., Mazzu J., Jones R., Kumar K. Learn Sesame

— A Learning Agent Engine // Applied Artifi cial Intelligence, Vol. 11, 1997. P. 393–412; Konstan J. A., Miller B. N., Maltz D., Herlocker J. L., Gordon L. R., Riedl J. GroupLens: Applying Collaborative Filtering to Usenet News // Comm. ACM, Vol. 40, № 3, 1997.