Экономика символического обмена
Шрифт:
1.3.1.1. Как учесть разницу во вкусах?
Идея в том, чтобы «авторизовать» участников, взяв за основу оценки известных им произведений. Предположим, мнения собраны. Чтобы вывести из них рекомендации для конкретного потребителя, от него следует получить его собственные оценки знакомых песен. Они-то и станут тем критерием, на основании которого автоматически будут отбираться рекомендатели из числа абонентов системы, чьи суждения о песнях, которые упоминает клиент, совпадают с его собственными 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 любым). Рекомендации поступят от тех, кто, так же как и сам клиент, высоко (или, напротив, низко) оценивает эти песни. Положим, человек совпал с некоей группой рекомендателей во мнении по десяти произведениям, которые он сам назвал. В ответ ему сообщается оценка, вынесенная
Возможен любой набор критериев (необязательно музыкальных) для выбора экспертов. Можно, к примеру, задать такой параметр, как знакомство с сочинениями Марселя Пруста, или запросить мнение людей, негативно оценивших «Терминатора-3». Одним словом, возможно самостоятельно подобрать такую персональную систему критериев, при которой ожидаемая точность вкусовых совпадений и качество рекомендаций будут высокими. Главное, чтобы круг экспертов-советчиков составляли только те, чьи приоритеты соответствуют запросу. В этом изюминка системы: на выходе генерируются не средние безликие оценки, а персональные рекомендации, которые компьютер автоматически выдает на основе сходства суждений конкретного пользователя и других людей. Тем самым моделируется привычная всем ситуация: человек прислушивается к мнению тех, чьи вкусы ему знакомы. Более-менее понятно, 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 автоматизированный вариант «людской молвы». Очной коммуникации не требуется, поэтому издержки минимальны.
1.3.1.2. Что рекомендателям следует оценивать в музыке?
Для производства такого рода рекомендаций требуется база потребительских оценок. Очевидно, что наиболее удобна численная/балльная система кодирования оценок. Но каким образом баллы должны характеризовать музыку? Как ни странно, они вообще не должны ее объективно характеризовать. Потребительские оценки должны отражать исключительно личное впечатление. Ни в коем случае речь не идет об искусствоведческой оценке или профессиональной экспертизе. Любители на нее не способны. Фокус в том, что для решения данной задачи вообще не требуются суждения об «истинном» качестве продукта. Интересуют только индивидуальные ощущения. Они зависят от многого: вкуса, художественной компетентности, общекультурного уровня, настроения и установок, антуража, социального окружения, влияния друзей и, разумеется, от музыки. Разложить все это по полкам практически невозможно, зато каждый может сказать, пришлась та или иная мелодия ему по душе или нет. То, в какой мере впечатление связано именно с музыкой, а не с привходящими обстоятельствами – не имеет никакого значения. Мелодия создает (или не создает) некие желанные состояния – именно в этом ключе ее и следует оценивать в рамках рекомендательной системы. Важно одно: слушатель достоверно знает, понравилась ему музыка или нет, а если формулировать точнее, понравился ли он сам себе в присутствии этой музыки. Именно он и только он – наилучший детектор «для-себя ценности». Оцениваться должно не произведение искусства как таковое (это компетенция искусствоведов), а порождаемые им субъективные эффекты – вот в чем потребитель культуры априори компетентен. Такая оценка субъективна, но в том-то и вся соль: для пользы дела она и должна быть субъективной.
Чьи оценки подлежат сбору? Да всех добровольцев без исключения. Система не нуждается в искусственно набранных референтных группах.
1.3.2. Изобретение, которого не было
1.3.2.1. Коллаборативная фильтрация – фундаментальное решение проблемы навигации
Подобный подход к проблеме выбора может показаться фантастическим, но это не так. Он не только не нов, но применяется на практике более десяти лет. Прототип механизма потребительской селекции был создан в 1992 году. Идея автоматически вычленять вкусовые сообщества и предоставлять их членам возможность обмениваться суждениями была предложена Дейвом Голдбергом (Dave Goldberg) и его коллегами из исследовательского центра Xerox PARC в Пало-Альто, Калифорния. Именно они ввели термин «коллаборативная фильтрация» [127] .
127
United We Find // The Economist, March 10, 2005.
В последующие годы первоначальную «сырую» идею коллаборативной (кооперативной) фильтрации довели до ума и сегодня рекомендации даются исходя из сходства предпочтений человека и других пользователей. Для этого клиенту нужно оценить несколько объектов, на основании чего вырисовывается его персональный профиль. В соответствии с ним подбираются советчики, затем их мнения о произведениях, еще не знакомых клиенту, доводятся до его сведения. Эта изящная схема начала активно разрабатываться с 1994 года [128] , однако ее судьба оказалась тернистой. В методе изначально присутствовала одна недоработка, которая со временем привела к проблемам. В чем была эта загвоздка и как
128
Heylighen F. Collaborative Filtering // Principia Cybernetica Project [on-line], 2001. [cited Feb. 28, 2005]. Available from URL: <http://pespmc1.vub.ac.be/COLLFILT.html>.
1.3.2.2. Механизм коллаборативной фильтрации
Поскольку персональные рекомендации генерируются в результате анализа и сравнения оценок конкретного пользователя и других людей, вся соль коллаборативной фильтрации в способе нахождения этих других людей. В общем виде процедура выглядит так [129] :
– регистрируются предпочтения большой группы людей, на их основе строится профиль каждого пользователя;
– выделяется подгруппа людей, чьи суждения схожи с суждениями человека, желающего получить совет/рекомендацию [130] ;
129
Heylighen F. Collaborative Filtering.
130
Обычно мерой сходства потребителей являются коэффициенты корреляции Пирсона между их предпочтениями, выраженными в баллах, либо углы между векторами, представляющими собой отражение потребительских предпочтений. Подробнее о рекомендательных системах см. часть 2, глава 2.7.
– на основании отзывов, поступивших от этой подгруппы, выводится некая оценка – именно она и выдается клиенту в качестве прогноза.
Этот метод использовался для характеристики книг, музыкальных CD или фильмов. Но в общем он может практиковаться для облегчения выбора продуктов или услуг любого типа. С конца 90-х годов в интернете стали появляться сайты, построенные на основе коллаборативной фильтрации. Первым (или в числе первых) был Ringo.
1.3.2.3. Ringo – первая в мире рекомендательная система по музыке: ее история и опыт [131]
131
По материалам: Shardanand and Upendra & Maes P. Social Information Filtering: Algorithms for Automating «World of Mouth» // Proc. of CHI’95 Conference on Human Factors in Computing Systems, ACM Press, 1995.
Сервис Ringo был создан профессором Патти Маес (Patti Maes) и тремя ее студентами в 1994 году. Разработчики этой системы искали решение проблемы взрывного роста объема информации. Массивы книг, фильмов, CD, новостей и онлайновой информации значительно превосходят те, которые реально может пропустить через себя человек. Создатели Ringo применили коллаборативную фильтрацию для музыки, выбрав следующую шкалу оценок:
– Невыносимо
– Терпимо с трудом
– Не моя вещь
– Не заводит, не трогает
– Хорошая вещь
– Мощно
– Одна из моих любимых, не могу жить без нее!
По мере того как абонент наращивает число оценок, его профиль уточняется. Система сравнивает профили пользователей, выявляет людей с похожими вкусами и предсказывает, насколько человеку понравится незнакомый альбом/артист.
Ringo появился в интернете 1 июля 1994 года. После «инкубационного периода» о сервисе пошла молва, и менее чем за месяц число пользователей достигло тысячной отметки, а к исходу второго – приблизилось к двухтысячной. Параллельно росла база данных. Первоначально система включала в себя 575 артистов, но скоро в ней стало 3000 исполнителей (9000 альбомов). Обрабатывалось почти 500 сообщений в день [132] . Те, кто впервые обращались к Ringo, получали список из 125 артистов и, согласно инструкции, присваивали им рейтинг. Оценивать артистов полагалось без детализации (избегая суждений об оригинальности, о вокальных данных и т. д.), а лишь исходя из того, насколько их приятно слушать.
132
Один пользователь мог послать десятки запросов в день. Сообщения посылались головному серверу, который раз в час обрабатывал накопившуюся корреспонденцию и отвечал на нее. Подробнее см.: Heylighen F. Collaborative Filtering.
Обретя таким образом персональный профиль, человек мог обратиться к Ringo со следующим запросом: 1) порекомендовать новых артистов/альбомы; 2) перечислить артистов/альбомы, на которые не стоит тратить время; 3) выдать прогноз по конкретному артисту/альбому. Рекомендации сопровождались показателем достоверности (он зависел, в частности, от числа пользователей-единомышленников, взятых в расчет для составления прогноза). Какие-либо данные об абонентах не предоставлялись. Еще пользователь имел доступ к рецензиям своих рекомендателей, а также к досье на любого артиста с перечнем его альбомов и средней оценкой, данной им потребителями. Каждый абонент Ringo ранжировал в среднем около сотни артистов; средний балл составлял 3,7 (т. е. между «не моя вещь» и «не трогает»). Вначале рекомендации Ringo были неточны, поскольку сервис еще не набрал критической массы данных. По мере роста числа пользователей и их обращений компетентность прогнозов нарастала. Чтобы войти в норму, требовалось пару раз пройти операцию ранжирования артистов, в результате чего список абонентов со схожими предпочтениями, так называемых «соседей» пользователя, мог существенно уточниться.