мается, если абсолютные значения оценок корректируются с учетом
систематического сдвига от среднего для соответствующего рекомен-
дателя (так нивелируется общая позитивная или негативная установка
абонента).
Примем для простоты, что в нашем распоряжении для тестирования вкусов
только три произведения. Тогда каждого рекомендателя можно схематически
обозначить в виде точки в прямоугольной декартовой трехмерной системе коор-
динат (х, у, z), а ее положение полностью определится оценками данных произ-
ведений. Вкус клиента тоже можно охарактеризовать точкой, в соответствии с
высказанными предпочтениями. Если из начала координат в эти две точки про-
вести векторы, то угол между ними будет характеризовать степень близости вку-
сов клиента и рекомендателя.
156 Такие как голосование по умолчанию, обратная частотность, предсказание на ос-
новании взвешенного большинства и др.
157 Sarwar B., Karypis G., Konstan J., Riedl J. Item-Based Collaborative Filtering Recommendation Algorithms // Proc. 10th Intl WWW Conf., 2001. По их мнению, системы, ориентированные на анализ оценок, данных товарам, показывают луч-
шие результаты по сравнению с коллаборативными алгоритмами, ориентиро-
ванными на анализ потребителей. Так же считают и авторы работы: Deshpande M., Karypis G. Item-Based Top-N Recommendation Algorithms // ACM Trans.
Information Systems, Vol. 22, № 1, 2004. P. 143–177.
184
ГЛАВА 2.7. ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ
Наряду с клиент-клиентскими системами применяется коллабора-
тивная фильтрация второго класса – модельного158. В этой схеме с помо-
щью некоего индекса сходства пользователей объединяют в кластеры.
Покупки и оценки, данные потребителями из одного сегмента, исполь-
зуются для вычисления рекомендаций. По утверждению Г. Линдена и
его соавторов, кластерные модели лучше масштабируются (т. е. приспо-
соблены к работе с крупными базами данных) в сравнении с поклиент-
ской коллаборативной фильтрацией, так как сверяют профиль пользо-
вателя с относительно небольшим количеством сегментов, а не с целой
пользовательской базой159. Сложный и дорогой кластерный подсчет
ведется в оффлайновом режиме, что разгружает систему. Но качество
рекомендаций при этом снижается, и вот почему. Кластерная модель
группирует пользователей в сегмент, сравнивает конкретного пользо-
вателя с этим сегментом и выдает всем членам сегмента общие реко-
мендации. Так как пользователи, объединенные в кластер, не обладают
идеальным сходством, рекомендации тоже не идеальны. Их качество
можно повысить, разбивая пользователей на высокооднородные под-
группы, но тогда их будет много, и анализ связи пользователь-сегмент
обойдется так же дорого, как и поиск сходных потребителей методом
субъект-субъектной (поклиентской) коллаборативной фильтрации160.
158 Billsus D., Pazzani M. Learning Collaborative Information Filters; Breese J. S., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering; Getoor L., Sahami M. Using Probabilistic Relational Models for Collaborative Filtering //
Proc. Workshop Web Usage Analysis and User Profi ling (WEBKDD ’99), Aug. 1999; Goldberg K., Roeder T., Gupta D., Perkins C. Eigentaste: A Constant Time Collaborative Filtering Algorithm // Journal of Information Retrieval, Vol. 4, № 2, July 2001. P. 133–
151; Hofmann T. Collaborative Filtering via Gaussian Probabilistic Latent Semantic Analysis // Proc. 26th Ann. Intl ACM SIGIR Conf., 2003; Marlin B. Modeling User Rating Profi les for Collaborative Filtering // Proc. 17th Ann. Conf. Neural Information Processing Systems (NIPS ’03), 2003; Pavlov D., Pennock D. A Maximum Entropy Approach to Collaborative Filtering in Dynamic, Sparse, High-Dimensional Domains //
Proc. 16th Ann. Conf. Neural Information Processing Systems (NIPS ’02), 2002.
159 Linden G., Smith B., York J. Amazon.com Recommendations. Item-to-Item Collaborative Filtering // IEEE Internet Computing, February 2003.
