Чтение онлайн

эксперта. А коль скоро работа выполнена, должен существовать способ

воспользоваться ее результатами. Простейший вариант обработки ин-

дивидуальных оценок с выведением рейтинга ни к чему не приводит.

Этот инструмент, как известно, не славится качественными рекоменда-

циями, поскольку не ясно, кто стоит за тем или иным суждением.

Чтобы получить на выходе работающие, дифференцированные ре-

комендации, нужна более изощренная техника взаимодействия с пот-

ребителями. В ней должна учитываться разница во вкусах – ключевое

звено проблемы навигации. Традиционно оценщиками выступают спе-

108 Разработки различных рекомендательных систем ведутся чрезвычайно интен-

сивно (см. часть 2, глава 7). В СМИ чуть ли не ежедневно проходят сообщения о

том, что подобный сервис вот-вот появится. Подробней о средствах навигации в

интернете см. приложение 1, глава 11.

66

ГЛАВА 1.3. НАВИГАЦИЯ – НОВЫЙ ВИД УСЛУГ В МИРЕ МУЗЫКИ

циально отобранные эксперты, что влечет за собой как минимум три

проблемы: во-первых, как выбрать (назначить) экспертов; во-вторых, по каким параметрам судить о качестве; в-третьих, как выводить об-

щую оценку из комбинации частных. В принципе, наладить экспертную

систему можно, но поскольку под каждую конкретную задачу ее при-

дется модифицировать, это обойдется очень дорого. А в случае с музы-

кой впечатление зависит не только от самой мелодии, но и от условий

прослушивания, настроя и многого другого. Как все это учесть в оценке

и донести до конкретного потребителя?

1.3.1.1. Как учесть разницу во вкусах?

Идея в том, чтобы «авторизовать» участников, взяв за основу

оценки известных им произведений. Предположим, мнения собра-

ны. Чтобы вывести из них рекомендации для конкретного потребите-

ля, от него следует получить его собственные оценки знакомых песен.

Они-то и станут тем критерием, на основании которого автоматичес-

ки будут отбираться рекомендатели из числа абонентов системы, чьи

суждения о песнях, которые упоминает клиент, совпадают с его собст-

венными или близки к ним. На конкретный запрос будет выдаваться

комбинация оценок, выведенная из откликов именно этих оценщиков.

Таким образом, человек получит рекомендации от тех, кто обладает

схожим вкусом. Вся прочая статистика его не касается. Допустим, в

качестве критериев некий абонент ввел высокие оценки песен Битлз, Куин, Мадонны, Гэйбриэла, Таркана, Мартина (набор может быть лю-

бым). Рекомендации поступят от тех, кто, так же как и сам клиент, вы-

соко (или, напротив, низко) оценивает эти песни. Положим, человек

совпал с некоей группой рекомендателей во мнении по десяти произ-

ведениям, которые он сам назвал. В ответ ему сообщается оценка, вы-

несенная этими абонентами по произведению, с которым те уже оз-

накомились, а клиент еще нет. Велика вероятность, что, последовав

рекомендациям, пользователь останется доволен. Конечно, возможны

несовпадения, связанные с различиями в ситуации потребления (на-

строение, антураж и т. п.). Другой источник расхождений – отличия

в интерпретации: кем-то найдено определенное прочтение произведе-

ния, а от кого-то оно ускользнуло. Отсюда разночтения, сами по себе

ценные. Клиент, по сути, получает подсказку: «Смотри внимательно, здесь что-то есть».

Возможен любой набор критериев (необязательно музыкальных) для

выбора экспертов. Можно, к примеру, задать такой параметр, как зна-

67

ЧАСТЬ 1. ПЕРСПЕКТИВНАЯ МОДЕЛЬ МУЗЫКАЛЬНОГО БИЗНЕСА

комство с сочинениями Марселя Пруста, или запросить мнение людей, негативно оценивших «Терминатора-3». Одним словом, возможно са-

мостоятельно подобрать такую персональную систему критериев, при

которой ожидаемая точность вкусовых совпадений и качество реко-

мендаций будут высокими. Главное, чтобы круг экспертов-советчиков

составляли только те, чьи приоритеты соответствуют запросу. В этом

изюминка системы: на выходе генерируются не средние безликие оцен-

ки, а персональные рекомендации, которые компьютер автоматически

выдает на основе сходства суждений конкретного пользователя и дру-

гих людей. Тем самым моделируется привычная всем ситуация: человек

прислушивается к мнению тех, чьи вкусы ему знакомы. Более-менее по-

нятно, почему ближнему окружению понравилась/не понравилась та

или иная вещь, и легко решить, следовать их рекомендациям или нет.

Описанная технология, по сути, искусственно формирует «ближние

круги». А поскольку предположение о близости вкусов основывается на

фактическом сходстве оценок, надежность рекомендаций получается

высокой. Данная идея, по сути, представляет собой автоматизирован-

ный вариант «людской молвы». Очной коммуникации не требуется, по-

этому издержки минимальны.

1.3.1.2. Что рекомендателям следует оценивать в музыке?

Для производства такого рода рекомендаций требуется база пот-

ребительских оценок. Очевидно, что наиболее удобна численная/бал-

льная система кодирования оценок. Но каким образом баллы должны

характеризовать музыку? Как ни странно, они вообще не должны ее

объективно характеризовать. Потребительские оценки должны отра-

жать исключительно личное впечатление. Ни в коем случае речь не

идет об искусствоведческой оценке или профессиональной эксперти-

зе. Любители на нее не способны. Фокус в том, что для решения данной