Dolgin.indb
Шрифт:
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.
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-
вать информацию, полезную для сообщества151. В большинстве случа-
ев эта работа не оплачивается, хотя усилиями коммерческих поисковых
сервисов она вот-вот превратится в статью дохода152. Пока же рекомен-
150 Tapestry помогала пользователю оценивать электронные сообщения как «пло-
хие» или «хорошие», ориентируясь по оценкам других людей. Например, некто
мог обратить внимание на документы, которые отметил конкретный человек, или мог воспользоваться документами, аннотации которых содержат ключевые
слова. (См.: Terveen L., Hill W. Beyond Recommender Systems…) 151 Тут возникает задача суммирования рецензий,
те: Hu M., Liu B. Mining and Summarizing Customer Review // Proc. of the 10th ACM
SIGKDD, 2004. P. 168–177.
152 Поисковик Google сообщал о намерении платить внештатным экспертам за при-
182
ГЛАВА 2.7. ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ
дателями движут немеркантильные интересы, возможно, потребность в
расширении знаний или в выстраивании обратной связи с пользовате-
лями, или стремление приобрести статус эксперта. Часто все, чего они
ждут – это благодарность за разъяснение, советы или провокационные
реакции.
2.7.3. Коллаборативные методы производства
рекомендаций
Системы коллаборативной фильтрации основываются на двух
принципах и, соответственно, бывают двух типов: анамнестические
(memory-based) и модельные (model-based)153.
Анамнестические алгоритмы продуцируют оценки клиента, исходя
из его предшествующих оценок154 и совокупности оценок, данных товару
другими пользователями. Это типичная поклиентская, или, иначе, субъ-
ект-субъектная схема коллаборативной фильтрации. Чтобы подсказки
были точны, нужно решить две задачи: отфильтровать качественных ре-
комендателей и резюмировать их оценки. Вкусовое подобие между кли-
ентами устанавливается на основании того, какие оценки они дали одним
и тем же товарам155. А вот вычисляться оно может либо корреляцион-
сланные аналитические материалы о продуктах.
153 Breese J. S., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering //Proc. 14th Conf. Uncertainty in Artifi cial Intelligence, July 1998; Billsus D., Pazzani M. Learning Collaborative Information Filters // Proc. Intl Conf. Machine Learning, 1998.
154 Nakamura A., Abe N. Collaborative Filtering Using Weighted Majority Prediction Algorithms // Proc. 15th Intl Conf. Machine Learning, 1998; Delgado J., Ishii N. Memory-Based Weighted-Majority Prediction for Recommender Systems // Proc. ACM SIGIR’99
Workshop Recommender Systems: Algorithms and Evaluation, 1999; Resnick P., Iakovou N., Sushak M., Bergstrom P., Riedl J. GroupLens: An Open Architecture for Collaborative Filtering of Netnews // Proc. 1994 Computer Supported Cooperative Work Conf., 1994; Shardanand U., Maes P. Social Information Filtering: Algorithms for Automating «Word of Mouth» // Proc. Conf. Human Factors in Computing Systems, 1995.
155 В методе линейного сходства клиент и потенциальный рекомендатель представ-