Dolgin.indb

Маматов Алексей Сергеевич

151; Hofmann T. Collaborative Filtering via Gaussian Probabilistic Latent Semantic Analysis // Proc. 26th Ann. Intl ACM SIGIR Conf., 2003; Marlin B. Modeling User Rating Profi les for Collaborative Filtering // Proc. 17th Ann. Conf. Neural Information Processing Systems (NIPS ’03), 2003; Pavlov D., Pennock D. A Maximum Entropy Approach to Collaborative Filtering in Dynamic, Sparse, High-Dimensional Domains //

Proc. 16th Ann. Conf. Neural Information Processing Systems (NIPS ’02), 2002.

159 Linden G., Smith B., York J. Amazon.com Recommendations. Item-to-Item Collaborative Filtering // IEEE Internet Computing, February 2003.

160

Каждый товар может рассматриваться как один из узлов байесовой сети, а по-

ложение узла соответствует предполагаемой величине оценки товара. Плохо

здесь то, что каждый пользователь может быть отнесен к отдельному клас-

теру, хотя некоторые системы способны рассматривать пользователя сразу в

нескольких амплуа. Например, в системе, занимающейся рекомендацией книг, пользователь может интересоваться одной темой для работы и совершенно

другой – для досуга. Кроме того, предлагается метод КФ, основанный на ма-

шинном самообучении (например, система искусственных нейронных сетей), вкупе с методами извлечения релевантных признаков (таких, как алгебраичес-

кие модели сокращения матриц до матриц меньшего размера с сохранением

185

ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ

Работа по совершенствованию коллаборативной фильтрации пол-

ным ходом ведется во всем мире. Известны попытки внедрения ста-

тистической схемы161, а также более сложных вероятностных мето-

дов162. Объединение анамнестического и модельного принципов дает

лучшие результаты, чем каждый из них в отдельности.

2.7.3.1. Проблемы и недостатки

Коллаборативные рекомендации по целому ряду параметров пре-

восходят контентные. В частности, они могут работать с любыми про-

дуктами, даже c теми, которые не принадлежат к числу уже оцененных

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