на сходстве товаров. Поэтому клиенту, купившему DVD с фильмом
«Крестный отец», компьютер выдаст список других криминальных
драм, фильмов с Марлоном Брандо и картин, снятых Ф. Копполой. Ре-
комендации часто будут либо слишком общими (все DVD того же жан-
ра), либо чрезмерно зауженными (все книги того же автора), в то время
как человек надеется на помощь в нахождении новых, стоящих вни-
мания продуктов. Пытаясь решить эту проблему, некоторые системы, например Daily-Learner, отклоняют объекты на основании слишком
большого сходства с тем, что уже известно клиенту175.
Субъект-субъектная версия коллаборативной фильтрации лишена
этого недостатка. Клиент может запросить набор произведений, высо-
172 Linden G., Smith B., York J. Amazon.com Recommendations. Item-to-Item Collaborative Filtering // IEEE Internet Computing, February 2003.
173 Terveen L., Hill W. Beyond Recommender Systems…
174 Там же.
175 Billsus D., Pazzani M. User Modeling for Adaptive News Access // User Modeling and User-Adapted Interaction,Vol. 10, № 2–3, 2000. P. 147–180.
Й. Жанг и др. предложили пять правил избыточности, чтобы определить, содер-
жит ли продукт, отвечающий профилю потребителя, какую-либо новую для него
информацию (cм.: Zhang Y., Callan J., Minka T. Novelty and Redundancy Detection in Adaptive Filtering // Proc. 25th Ann. Intl ACM SIGIR Conf., 2002. P. 81–88).
189
ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ
ко оцененных его кругом рекомендателей, и обнаружить что-то совер-
шенно новое.
Сотрудники Amazon сообщают, что справились с рядом недочетов
пообъектной коллаборативной фильтрации, разработав собственную
оригинальную схему (хотя, как показывает опыт с Шекспиром, с внед-
рением ноу-хау еще не все гладко)176. Ими разработан алгоритм колла-
боративной фильтрации для работы с громадными базами данных (что
актуально для Amazon.com177), способный выдавать качественные, по
мнению авторов, рекомендации в режиме реального времени. Смысл в
том, что система соотносит каждый из приобретенных пользователем
товаров с близкими товарами, купленными другими клиентами, и фор-
мирует рекомендательный список178.
Создав (в оффлайновом режиме) таблицу сходных товаров, про-
грамма находит среди них те, что перекликаются с покупками и оцен-
ками конкретного пользователя. Затем ему подсказывают самые по-
пулярные из продуктов, сходных с теми, что он еще не покупал или
близких к уже купленным. (При этом, какие именно ему нужны реко-
мендации, никто не спрашивает!) Вычисление занимает мало времени, поскольку основная работа делается в режиме оффлайн, и в этом сек-
рет масштабируемости пообъектной схемы. На выходе предлагаются
только в большой степени сходные и, как уверяют авторы, желанные
товары, хотя не ясно, откуда при высоком сходстве возьмутся рекомен-
дации нового, оригинального произведения искусства.
2.7.4. Гибридные методы производства рекомендаций
Эти методы представляют собой комбинацию коллаборативного
и контентного подходов и позволяют избежать ограничений, свойс-
твенных каждой из систем в отдельности179. Преимущества гибридной
схемы180 видны из простого примера. Предположим, один пользователь
176 Linden G., Smith B., York J. Amazon.com Recommendations…
