160 Каждый товар может рассматриваться как один из узлов байесовой сети, а по-
ложение узла соответствует предполагаемой величине оценки товара. Плохо
здесь то, что каждый пользователь может быть отнесен к отдельному клас-
теру, хотя некоторые системы способны рассматривать пользователя сразу в
нескольких амплуа. Например, в системе, занимающейся рекомендацией книг, пользователь может интересоваться одной темой для работы и совершенно
другой – для досуга. Кроме того, предлагается метод КФ, основанный на ма-
шинном самообучении (например, система искусственных нейронных сетей), вкупе с методами извлечения релевантных признаков (таких, как алгебраичес-
кие модели сокращения матриц до матриц меньшего размера с сохранением
185
ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ
Работа по совершенствованию коллаборативной фильтрации пол-
ным ходом ведется во всем мире. Известны попытки внедрения ста-
тистической схемы161, а также более сложных вероятностных мето-
дов162. Объединение анамнестического и модельного принципов дает
лучшие результаты, чем каждый из них в отдельности.
2.7.3.1. Проблемы и недостатки
Коллаборативные рекомендации по целому ряду параметров пре-
восходят контентные. В частности, они могут работать с любыми про-
дуктами, даже c теми, которые не принадлежат к числу уже оцененных
данным потребителем. Технология может использоваться и для экс-
пертизы самого эксперта163. (Если профессиональный критик включа-
ется в орбиту рекомендательного сервиса, важно знать, в какой облас-
ти он специализируется и сколь авторитетен.)
Главное достоинство коллаборативной фильтрации состоит в том, что рекомендации персонифицированы. При этом сервис не просто
использует повседневную потребительскую активность участников, а
подталкивает их к размышлениям над своими поступками. Создате-
ли рекомендательных систем для торговли по вполне понятным при-
чинам стараются не утруждать потребителя и свести его рефлексию
к минимуму. Но несомненно, что для самого покупателя осмысление
выбора – полезное занятие. В частности, культурно-потребительская
активность может привести к формированию сообществ по интере-
репрезентативности). По некоторым оценкам, не являющимся окончательными, модельные методики превосходят анамнестические в точности рекомендаций.
См., например: Billsus D., Pazzani M. Learning Collaborative Information Filters и
Breese J. S., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering.
161 Ungar L. H., Foster D. P. Clustering Methods for Collaborative Filtering // Proc.
Recommender Systems, Papers from 1998 Workshop, Technical Report WS-98-08 1998.
162 В частности, для выработки рекомендаций предлагают использовать цепи Мар-
кова (Shani G., Brafman R., Heckerman D. An MDP-Based Recommender System //
Proc. 18th Conf. Uncertainty in Artifi cial Intelligence, Aug. 2002). Известен латент-
но-семантический анализ и группа методов, оперирующих понятиями гене-
ративной семантики. Показано, что коллаборативная фильтрация примени-
ма и при относительно небольшом количестве информации о пользователе
(Kumar R., Raghavan P., Rajagopalan S., Tomkins A. Recommendation Systems: A Probabilistic Analysis // Journal of Computer and System Sciences, Vol. 63, № 1, 2001. P. 42–61).
163 С помощью взаимной фильтрации формируются круги не только ценителей оп-
ределенного произведения, точно так же могут формироваться и группы поклон-
ников определенного критика.
186
ГЛАВА 2.7. ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ
