alexey - Dolgin.indb

Хотя эта проблема активно обсуждалась184, к однозначным выводам

специалисты пока не пришли. Вопрос об эффективности часто сводит-

ся к покрытию и точности. Покрытие – это количество товаров, для ко-

торых рекомендательная система способна выдать прогноз. Точность

181 Так, некоторые гибридные рекомендательные системы (в частности Fab) осно-

вываются на коллаборативной фильтрации, используя в дополнение контентные

профили пользователей. Последние необходимы для выявления близости между

клиентами, что позволяет решить проблему разреженности оценок.

182 Basu C., Hirsh H., Cohen W. Recommendation as Classifi cation: Using Social and Content-Based Information in Recommendation // Recommender Systems. Papers from 1998

Workshop, Technical Report WS-98-08, AAAI Press 1998; Popescul A., Ungar L. H., Pennock D. M., Lawrence S. Probabilistic Models for Unifi ed Collaborative and Content-Based Recommendation in Sparse-Data Environments // Proc. 17th Conf. Uncertainty in Artifi cial Intelligence, 2001; Schein A. I., Popescul A., Ungar L. H., Pennock D. M. Methods and Metrics for Cold-Start Recommendations // Proc. 25th Ann. Intl ACM SIGIR Conf., 2002.

183 Взято из обзора: Adomavicius G., Tuzhilin A. 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.

184 Herlocker J. L., Konstan J. A., Borchers A., Riedl J. An Algorithmic Framework for Performing Collaborative Filtering // Proc. 22nd Ann. Intl ACM SIGIR Conf.

Research and Development in Information Retrieval (SIGIR ’99), 1999; Herlocker J. L., Konstan J. A., Terveen L. G., Riedl J. T. Evaluating Collaborative Filtering Recommender Systems // ACM Transactions on Information Systems, Vol. 22, № 1, 2004. P. 5–53; Mooney R. J., Roy L. Content-Based Book Recommending Using Learning for Text Categorization // Proc. ACM SIGIR ’99 Workshop Recommender Systems: Algorithms and Evaluation, 1999; Yang Y., Padmanabhan B. On Evaluating Online Personalization //

Proc. Workshop Information Technology and Systems, December 2001. P. 35–41.

191

ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ

Классификация рекомендательных методов185

Рекомендательные методы

подход

Эвристические Модельные

контентный

общепринятые методики

общепринятые методики

•

прямой частотности – обратной

• байесова

классификация

частотности

• кластеризация

• кластеризация

• дерево

решений

•

искусственные нейронные сети

примеры исследований

примеры исследований

• Lang

1995

•

Pazzani & Billsus 1997

•

Balabanovic & Shoham 1997

•

Mooney et al. 1998

•

Pazzani & Billsus 1997

• Mooney & Roy 1999

•

Billsus & Pazzani 1999, 2000

•

Zhang et al. 2002

коллаборативный общепринятые методики

общепринятые методики

• ближайший

сосед

• байесовы

сети

• кластеризация

• кластеризация

• теория

графов

•

искусственные нейронные сети

• линейная

регрессия

• вероятностные

модели

примеры исследований

примеры исследований

•

Resnick et al. 1994

•

Billsus & Pazzani 1998

•

Hill et al. 1995

•

Breese et al. 1998

•

Shardanand & Maes 1995

•

Ungar & Foster 1998

•

Breese et al. 1998

•

Chien & George 1999

•

Nakamura & Abe 1998

•

Getoor & Sahami 1999

•

Aggarwal et al. 1999

•

Pennock & Horwitz 1999

•

Delgado & Ishii 1999

•

Goldberg et al. 2001

•

Pennock & Horwitz 1999

•

Kumar et al. 2001

•

Sarwar et al. 2001

•

Pavlov & Pennock 2002

•

Shani et al. 2002

•

Yu et al. 2002, 2004

• Hofmann

2003,

2004

• Marlin

2003

•

Si & Jin 2003

гибридный

комбинированные контентные

комбинированные контентные

и коллаборативные методы

и коллаборативные методы

• линейной

последовательности

•

инкорпорирование одного элемента

предсказываемых оценок

в другой на основании модели

•

различных голосовательных схем

• построение

унифицирующей

•

инкорпорирование одного элемента

модели

на основе эвристики

примеры исследований

примеры исследований

•

Balabanovic & Shoham 1997

•

Basu et al. 1998

•

Claypool et al. 1999

•

Condliff et al. 1999

•

Good et al. 1999

•

Soboroff & Nicholas 1999

• Pazzani

1999

•

Ansari et al. 2000

•

Billsus & Pazzani 1998

•

Popescul et al. 2001

•

Tran & Cohen 2000

•

Schein et al. 2002

•

Melville et al. 2002

185 Источник: Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems…

192

ГЛАВА 2.8. ТЕНДЕР НА ЭКСПЕРТИЗУ

измеряется по отклонению предсказанных оценок от фактических. (Ее

может оценить для себя любой пользователь, сверяя рекомендации с

оценками уже известных ему произведений.) Очевидно, что рекоменда-

тельные системы еще не настолько вошли в жизнь, чтобы можно было

судить об их эффективности со всей определенностью. Поэтому оценки, встречающиеся в литературе, носят предварительный характер. Надо

делать поправку и на то, что некорректно сравнивать рекомендательные

системы, отличающиеся друг от друга по охвату материала. Одно дело

подсказки в области узкоспециальной литературы, другое – музыки, третье – рекомендации в области культурного потребления вообще.