Dolgin.indb

Маматов Алексей Сергеевич

• 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.

Очевидно, рекомендательные системы в ближайшей перспекти-

ве будут доработаны и приспособлены для обслуживания непростых

задач из смежных сфер, таких как советы путешественникам, образо-

вательные и медицинские услуги. Проблема в том, что нынешние сис-

темы обходят стороной контекстуальную информацию, без которой

точность предсказаний резко снижается. Так, если в ходе выработки

рекомендаций по фильмам учесть, когда, где и с кем смотрится кино, то эффективность прогнозов возрастет. Очевидно, что ценность цело-

го ряда действий, в частности турпоездок, зависит от момента (сезона, времени суток, дня недели), а также от того, с кем, в какой компании

и при каких обстоятельствах человек воспользовался услугой. Имело

бы смысл учитывать все эти дополнительные данные186. Интересные

возможности открываются и при включении в расчеты информации

о цели, которую преследует пользователь187.

Глава 2.8. Тендер на экспертизу

Традиционная экспертиза бывает либо медленная и углубленная

(«ручная» работа критика), либо быстрая и поверхностная (рейтинг).

Ни тот, ни другой вариант не решают проблему навигации в полной

мере. Если же ввести в систему коллаборативной фильтрации деньги,

как предлагается в этой книге, произойдет принципиальный и качест-

186 Adomavicius G., Tuzhilin A. Multidimensional Recommender Systems: A Data Warehousing Approach // Proc. Second International Workshop Electronic Commerce (WELCOM ’01), 2001; Adomavicius G., Sankaranarayanan R., Sen S., Tuzhilin A.

Incorporating Contextual Information in Recommender Systems Using a Multi dimensional Approach // ACM Transactions on Information Systems, Vol. 23, № 1, Jan. 2005.

187 Herlocker J. L., Konstan J. A. Content-Independent Task-Focused Recommendation //

IEEE Internet Computing, Vol. 5, № 6, Nov./Dec. 2001. P. 40–47.

193

ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ

венный прорыв. Денежная коллаборативная фильтрация генерирует

рекомендации оперативно и точно. Высокая производительность этого

метода достигается за счет того, что тестируемые произведения делят-

ся между большим числом экспертов-потребителей, а точность – бла-

годаря специальной логике вычленения вкусовых сообществ.

Как появление нового института отразится на существующих экс-

пертных инстанциях? Заменит ли в перспективе коллаборативная филь-

трация традиционные виды экспертизы? Ни в коем случае. Несмотря на

то что по качеству навигации с денежной коллаборативной фильтраци-

ей конкурировать невозможно, автоматизированная рекомендательная

система не мыслится как альтернатива существующим институтам. За

ними сохранится широкое поле деятельности, поскольку за каждым за-

креплены свои фирменные, выполняемые только им функции. Критики

сосредоточатся на критике, жюри продолжат выбирать лучших, рейтин-

ги будут служить рекламодателям и т. п. Вся эта продукция может быть

инкорпорирована в работу рекомендательных систем. Например, крити-

ческие рецензии, как любой контент, могут становиться объектом оце-

нивания и, в случае востребованности, продаваться за деньги. Недавние

разработки в сфере коллаборативной фильтрации демонстрируют фан-

тастические по качеству и доступно сти возможности этого сервиса.

Так, интернет-сервисы Yahoo’s launchcast и Musicstrands188 и др., ра-

ботающие по принципу коллаборативной фильтрации, предлагают

потребителю прослушать ряд песен и по мере накопления оценок и

уточнения клиентского профиля обслуживают его все более качествен-

но. Программа учитывает повторные прослушивания одной и той же

песни (в случае музыки это вполне оправданно189). В итоге со временем