тельные системы еще не настолько вошли в жизнь, чтобы можно было
судить об их эффективности со всей определенностью. Поэтому оценки, встречающиеся в литературе, носят предварительный характер. Надо
делать поправку и на то, что некорректно сравнивать рекомендательные
системы, отличающиеся друг от друга по охвату материала. Одно дело
подсказки в области узкоспециальной литературы, другое – музыки, третье – рекомендации в области культурного потребления вообще.
Очевидно, рекомендательные системы в ближайшей перспекти-
ве будут доработаны и приспособлены для обслуживания непростых
задач из смежных сфер, таких как советы путешественникам, образо-
вательные и медицинские услуги. Проблема в том, что нынешние сис-
темы обходят стороной контекстуальную информацию, без которой
точность предсказаний резко снижается. Так, если в ходе выработки
рекомендаций по фильмам учесть, когда, где и с кем смотрится кино, то эффективность прогнозов возрастет. Очевидно, что ценность цело-
го ряда действий, в частности турпоездок, зависит от момента (сезона, времени суток, дня недели), а также от того, с кем, в какой компании
и при каких обстоятельствах человек воспользовался услугой. Имело
бы смысл учитывать все эти дополнительные данные186. Интересные
возможности открываются и при включении в расчеты информации
о цели, которую преследует пользователь187.
Глава 2.8. Тендер на экспертизу
Традиционная экспертиза бывает либо медленная и углубленная
(«ручная» работа критика), либо быстрая и поверхностная (рейтинг).
Ни тот, ни другой вариант не решают проблему навигации в полной
мере. Если же ввести в систему коллаборативной фильтрации деньги, как предлагается в этой книге, произойдет принципиальный и качест-
186 Adomavicius G., Tuzhilin A. Multidimensional Recommender Systems: A Data Warehousing Approach // Proc. Second International Workshop Electronic Commerce (WELCOM ’01), 2001; Adomavicius G., Sankaranarayanan R., Sen S., Tuzhilin A.
Incorporating Contextual Information in Recommender Systems Using a Multi dimensional Approach // ACM Transactions on Information Systems, Vol. 23, № 1, Jan. 2005.
187 Herlocker J. L., Konstan J. A. Content-Independent Task-Focused Recommendation //
IEEE Internet Computing, Vol. 5, № 6, Nov./Dec. 2001. P. 40–47.
193
ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ
венный прорыв. Денежная коллаборативная фильтрация генерирует
рекомендации оперативно и точно. Высокая производительность этого
метода достигается за счет того, что тестируемые произведения делят-
ся между большим числом экспертов-потребителей, а точность – бла-
годаря специальной логике вычленения вкусовых сообществ.
Как появление нового института отразится на существующих экс-
пертных инстанциях? Заменит ли в перспективе коллаборативная филь-
трация традиционные виды экспертизы? Ни в коем случае. Несмотря на
то что по качеству навигации с денежной коллаборативной фильтраци-
ей конкурировать невозможно, автоматизированная рекомендательная
система не мыслится как альтернатива существующим институтам. За
ними сохранится широкое поле деятельности, поскольку за каждым за-
креплены свои фирменные, выполняемые только им функции. Критики
сосредоточатся на критике, жюри продолжат выбирать лучших, рейтин-
ги будут служить рекламодателям и т. п. Вся эта продукция может быть
инкорпорирована в работу рекомендательных систем. Например, крити-
ческие рецензии, как любой контент, могут становиться объектом оце-
нивания и, в случае востребованности, продаваться за деньги. Недавние
