Чтение онлайн

тений, сделанная только на основе этих данных, не вполне репрезен-

тативна. Коллаборативная фильтрация с непосредственным участием

потребителя пусть медленнее, но вернее служит его интересам.

1.3.2.7. Бизнес-версия коллаборативной фильтрации, или

зачем поступаться принципами?

Рекомендательная система, интегрированная с процессом продаж

так, чтобы подсовывать товары в то время, когда что-то приобретается

124 Подробно о взаимосвязях рекламы и цены см. часть 3, разделы 3.4.1. и 3.4.2.

79

ЧАСТЬ 1. ПЕРСПЕКТИВНАЯ МОДЕЛЬ МУЗЫКАЛЬНОГО БИЗНЕСА

или ищется, ориентирована на интересы бизнеса. Она не требует актив-

ности со стороны пользователя. Все, что от него нужно – это вступить

на торговую площадь. Тут его и берут в оборот. Это соображение – ко-

вать железо, пока горячо – стало решающим в эволюции коллаборатив-

ной фильтрации. Держать оценки наготове и быстро выдавать их, как

того требуют интересы бизнеса, никого ни о чем не спрашивая, – данная

логика подвела к скрытому этическому компромиссу. Как только реши-

ли не беспокоить клиента по таким пустякам, как его мнение о качестве, дело все больше стало клониться к программированию поведения.

Если для обычных товаров пообъектная фильтрация в ряде случа-

ев дает искомый результат, то с навигацией в культурном предложе-

нии все обстоит хуже. Хотя справедливости ради надо отметить, что

музыка в ряду культурных благ стоит особняком. Поскольку к хоро-

шим мелодиям люди могут возвращаться неоднократно, потребитель-

ские оценки с успехом заменяет подсчет числа прослушиваний той или

иной песни. Это тот редкий случай, когда неявные предпочтения адек-

ватно репрезентируют явные. На этом основаны музыкальные серви-

сы Audioscrobbler (ныне Last.Fm), Launchcast Radio и др.125 На компью-

тер, на котором прослушивается музыка, закачивается специальный

программный модуль. Больше от пользователя ничего не требуется126: его не беспокоят просьбами ранжировать музыкальные композиции, не задают вопросов о настроении и т. д. Модуль отслеживает музыку, которую проигрывает человек, и передает информацию на сервер. Он

также создает персональные веб-страницы пользователей сервиса, на

которых демонстрируются списки прослушанного. Предполагается, что после того как прозвучало более половины песни, ее смело можно

причислять к понравившимся и вносить в профиль. И все же в такой

методике есть скрытые ограничения. На сервер поступает информа-

ция только о той музыке, которая звучит на компьютере, т. е. в опре-

деленной обстановке, в частности в офисе. Очевидно, в этих условиях

включишь не всякую музыку, а например фоновую. В автомобиле будут

слушать другие мелодии, на Hi-End аппаратуре – третьи. Так что авто-

матически формируемый потребительский профиль неизбежно полу-

чается деформированным.

125 Ресурс Audioscrobbler перемещен по адресу: www. Last. Fm; Launchcast Radio можно найти в интернете по двум ссылкам: старой – www. launchcast.com и но-

вой –yahoo.com/launchcast/. Дополнительную информацию см. в

приложении 1, разделы 11.4. и 11.8.

126 Оценить первые несколько композиций все же желательно.

80

ГЛАВА 1.3. НАВИГАЦИЯ – НОВЫЙ ВИД УСЛУГ В МИРЕ МУЗЫКИ

Если же речь идет о произведениях однократного потребления –

книгах, пьесах, фильмах и т. п., результаты дает только метод фильтра-

ции, основанный на рефлексии потребителей. Чтобы повысить точ-

ность рекомендаций в пообъектной схеме, базу данных дополняют

сведениями о клиентах. Для этого их классифицируют по социально-

демографическому принципу, вычленяя в лучших традициях марке-

тинга фиксированные группы, как-то: средний класс, живущий в при-

городе; молодой горожанин – профессионал; религиозный сельчанин с

велосипедом и т. д., – и затем пытаются разбить население на кластеры.

Нет информации, которую не стремились бы вовлечь в оборот: акаде-

мические успехи, опыт работы, семейное положение, возраст, пол, раса, почтовый индекс, кредитная история, участие в фокус-группах и т. д., и т. п. Чтобы определить, чего захотят потребители, сначала пытают-

ся установить, кто они такие. Это довольно трудоемко, бесполезно, а в

чем-то и неприятно, поскольку на такую информацию с высокой веро-

ятностью найдется заказчик, и это – не потребитель культуры, а кто-то

другой с не вполне ясными намерениями.

Изюминка коллаборативной фильтрации по схеме «потребитель –

потребитель» состоит как раз в том, чтобы не отягощать процесс ничем

лишним. Система не очень хочет знать, кто есть кто, ей нужны лишь

добровольно высказанные предпочтения. Только из них выводится, кто к какому культурному сообществу относится. Группы не являют-

ся чем-то постоянным, они меняются вместе с людьми. Например, не-

кто не видел ни одного фильма Бунюэля, но если завтра он посмотрит

«Этот смутный объект желания» и присвоит ему высокий балл в систе-

ме MovieLens, то группа людей, ранее определявшаяся как «точно такие

же, как он», немедленно изменится.

Версия фильтрования, опирающаяся не на явно выраженные, а на

угадываемые предпочтения, подозрительно приспособлена для ком-

мерческих интересов. В ней теряется самое главное: опора на воспри-

нимаемое качество, поэтому она хуже служит интересам потребителей.

Хотя сегодня, пока рекомендательные системы только отлаживаются, нет смысла подозревать кого-то в манипуляциях. Например, Amazon демонстрирует верх корректности – клиентам предоставляется воз-

можность «обучить» систему, сообщая ей свое мнение о точности ре-

комендаций. Сама по себе состыковка информационного фильтра с

торговлей может быть и не лишена смысла, но по мере того как попу-

лярность подобных сервисов будет расти, искушение манипулировать