Чтение онлайн

ими суждениями.

3. Гибридным методом, сочетающим в себе два предыдущих.

Кроме перечисленных существуют вспомогательные системы (кратко

упоминаются ниже), а также системы социальной навигации, которые

не являются рекомендательными и здесь не рассматриваются. В пос-

леднем случае предпочтения людей выявляют на основании прямых

и косвенных данных: интернет-сообщений, историй пользования

системой, гиперссылок и т. д. Они визуализируют взаимодействие че-

ловека с компьютером и помогают путешествующим по сети145.

2.7.1. Контентные методы выработки рекомендаций

В рекомендательных системах контентного типа полезность товара

выводится из потребительской оценки сходных продуктов. Например, для того чтобы посоветовать человеку фильмы, контентная система пы-

тается найти сходство между различными картинами, которые прежде

получили у него высокую оценку (одни и те же актеры, режиссеры, жан-

ры и т. д.). Подобные рекомендации основаны на принципе «найдите

для меня вещи, подобные тем, что мне нравились в прошлом». В основе

контентой рекомендательной системы лежат методы поиска информа-

ции146, ее сопоставления и фильтрации147. Этот подход чаще всего ис-

145 См.: Terveen L., Hill W. Beyond Recommender Systems: Helping People Help Each Other // Carroll J. (ed.) HCI in Th

e New Millennium. Addison-Wesley, 2001.

146 Baeza-Yates R., Ribeiro-Neto B. Modern Information Retrieval. Addison-Wesley, 1999; Salton G. Automatic Text Processing. Addison-Wesley, 1989.

147 Belkin N., Croft B. Information Filtering and Information Retrieval // Comm. ACM, Vol. 35, № 12, 1992. P. 29–37.

180

ГЛАВА 2.7. ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

пользуют для текстов – документов, веб-сайтов, блогов и т. п. Профиль

предпочтений формируется на основе информации, которую получают

от потребителя либо напрямую, анкетированием, либо косвенно. Кон-

тент обычно описывается при помощи ключевых слов148. Профиль пот-

ребителя, указывающий на его предпочтения, создается путем выяв-

ления ключевых слов в контенте, которому ранее данный человек уже

вынес оценку. Профиль потребителя и профиль контента могут быть

представлены как векторы, а полезность данного контента для данного

потребителя определяется величиной угла между ними149. В частности, человеку, интересующемуся определенной темой, будут рекомендованы

148 Например, система Fab, специализирующаяся на рекомендациях веб-страниц, представляет их контент в виде 100 наиболее важных слов. Система Syskill & Webert описывает документы с помощью 128 самых информативных слов.

Существуют различные методы вычисления «важности» и «информативности»

слов в документах. Например, метод частотности / обратной частотности. Суть

его такова: пусть N – некоторое количество документов, которые могут быть

рекомендованы пользователям. В части этих документов (ni) встречается

ключевое слово kj. Кроме того, предположим, что fij – это количество раз, которое ключевое слово kj встречается в неком конкретном документе dj. Тогда

TFij – частота употребления ключевого слова kj в документе dj – определяется как

где максимум вычисляется из частотности fz,j всех ключевых слов kz, встречаю-

щихся в документе dj. Однако если ключевые слова широко распространены во

многих документах, то система не в состоянии корректно выбрать необходимый

текст. Поэтому измерение обратной частотности слова (IDFi) часто используется

наряду с измерением обычной частотности (Tfij). Обратная частотность для

ключевого слова ki обычно определяется как

Тогда вес ключевого слова ki в документе dj определяется как

а контент документа dj определяется как

(Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems…) 149 Это можно записать так:

Существуют другие контентные методы, такие как байесов классификатор, машинное самообучение, включающие кластеризацию дерева решений, искусст-

венные нейронные сети.

181

ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ

статьи, в которых использовано много терминов (ключевых слов) из его

пользовательского профиля.

2.7.1.1. Недостатки

Их в контентном методе несколько. Во-первых, машинный анализ го-

дится не для всяких объектов. Так, сильно осложнена работа с мультиме-

дийными приложениями, графикой, аудио- и видеоматериалами. (Хотя в

последнее время в этой области наблюдается бурный прогресс.) Другая

проблема данного метода в том, что два разных предмета, представлен-

ных одинаковыми профилями, неразличимы. В частности, с помощью

контентных систем невозможно отличить хорошую статью от плохой, если их лексикон близок. Это касается и потребительских профилей, по-

этому рекомендации, основанные на выборе якобы схожих людей, могут

быть низкого качества. На деле оказывается, что профили близки, а люди, стоящие за ними, разные. Еще один очевидный недостаток – узость ре-

комендаций. Потребителю не могут рекомендовать товары, отличные от

тех, которые ему уже знакомы. С другой стороны, ему могут настойчиво

предлагать объекты, слишком похожие на те, что ему хорошо известны.

2.7.2. Вспомогательные системы

Эти системы не вычисляют рекомендации. Их смысл в другом: слу-

жить инструментом обмена рекомендациями. Первая в мире рекомен-

дательная система Tapestry, разработанная в Xerox PARC, относилась к

вспомогательному типу150. Популярные ныне веблоги (weblog) – пример

такой системы.

Узкое место вспомогательных систем в том, что они эффективны

только при наличии некоторого числа добровольцев, готовых генериро-