177 У Amazon.com десятки миллионов клиентов и несколько миллионов товаров.
178 Для вычисления сходства между двумя товарами применяется тот же метод, что
и в традиционной поклиентской коллаборативной фильтрации, с той лишь раз-
ницей, что вектор соответствует товару, а не пользователю, а его размерность
равна числу пользователей, приобретших данный товар.
179 Wei Y. Z., Moreau L., Jennings N. R. A market-based approach to recommender systems
// ACM Transactions on Information Systems, Vol. 23, № 3, April 2005. P. 227–266.
180 Дополнительную информацию про гибридные рекомендательные системы см. в
приложении 1, раздел 11.3.
190
ГЛАВА 2.7. ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ
высоко оценил веб-страницу, освещающую итоги кинофестиваля, вто-
рой в тех же целях изучил другой интернет-источник. Коллаборативная
фильтрация поклиентского типа ничего ценного отсюда не вылущит, а
вот анализ содержания покажет, что объекты сходны, и выявит связь
между пользователями.
Комбинации могут быть разными. Можно произвести расчеты в
рамках коллаборативной и контентной схем по отдельности, а затем объ-
единить предсказания. Можно встроить некоторые из контентных при-
нципов в коллаборативную методику, и наоборот181. Наконец, в рамках
гибридного подхода возможно построение единой рекомендательной
модели.182 Сложность, которая возникает в этом случае, заключается в
необходимости получения информации об объектах рекомендаций.
В таблице, составленной Адомявичусом и Тужилиным, дана клас-
сификация рекомендательных систем (см. ниже)183.
2.7.5. Эффективность и многомерность рекомендаций
Хотя эта проблема активно обсуждалась184, к однозначным выводам
специалисты пока не пришли. Вопрос об эффективности часто сводит-
ся к покрытию и точности. Покрытие – это количество товаров, для ко-
торых рекомендательная система способна выдать прогноз. Точность
181 Так, некоторые гибридные рекомендательные системы (в частности Fab) осно-
вываются на коллаборативной фильтрации, используя в дополнение контентные
профили пользователей. Последние необходимы для выявления близости между
клиентами, что позволяет решить проблему разреженности оценок.
182 Basu C., Hirsh H., Cohen W. Recommendation as Classifi cation: Using Social and Content-Based Information in Recommendation // Recommender Systems. Papers from 1998
Workshop, Technical Report WS-98-08, AAAI Press 1998; Popescul A., Ungar L. H., Pennock D. M., Lawrence S. Probabilistic Models for Unifi ed Collaborative and Content-Based Recommendation in Sparse-Data Environments // Proc. 17th Conf. Uncertainty in Artifi cial Intelligence, 2001; Schein A. I., Popescul A., Ungar L. H., Pennock D. M. Methods and Metrics for Cold-Start Recommendations // Proc. 25th Ann. Intl ACM SIGIR Conf., 2002.
183 Взято из обзора: Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions // IEEE
Transactions on Knowledge and Data Engineering, Vol. 17, № 6, June 2005.
184 Herlocker J. L., Konstan J. A., Borchers A., Riedl J. An Algorithmic Framework for Performing Collaborative Filtering // Proc. 22nd Ann. Intl ACM SIGIR Conf.
Research and Development in Information Retrieval (SIGIR ’99), 1999; Herlocker J. L., Konstan J. A., Terveen L. G., Riedl J. T. Evaluating Collaborative Filtering Recommender Systems // ACM Transactions on Information Systems, Vol. 22, № 1, 2004. P. 5–53; Mooney R. J., Roy L. Content-Based Book Recommending Using Learning for Text Categorization // Proc. ACM SIGIR ’99 Workshop Recommender Systems: Algorithms and Evaluation, 1999; Yang Y., Padmanabhan B. On Evaluating Online Personalization //
Proc. Workshop Information Technology and Systems, December 2001. P. 35–41.
191
ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ
Классификация рекомендательных методов185
Рекомендательные методы
подход
