рекомендациями, пока они пребы-
вают в покупательском настроении. Люди ведут поиски и покупки в
интернете, оставляя на различных сайтах следы своего присутствия, а на них попутно сыплется информация то ли рекомендательного, то
ли рекламного свойства. Простые клики на веб-страницы засчитыва-
ются системой как акты потребительского ранжирования. Но останов-
ка внимания на некоем предложении, а может быть просто пауза по
сторонним причинам – не такой уж точный показатель заинтересо-
ванности человека в данной вещи. К тому же, далеко не все покупки
совершаются в интернете, поэтому выборка покупательских предпоч-
тений, сделанная только на основе этих данных, не вполне репрезен-
тативна. Коллаборативная фильтрация с непосредственным участием
потребителя пусть медленнее, но вернее служит его интересам.
1.3.2.7. Бизнес-версия коллаборативной фильтрации, или
зачем поступаться принципами?
Рекомендательная система, интегрированная с процессом продаж
так, чтобы подсовывать товары в то время, когда что-то приобретается
124 Подробно о взаимосвязях рекламы и цены см. часть 3, разделы 3.4.1. и 3.4.2.
79
ЧАСТЬ 1. ПЕРСПЕКТИВНАЯ МОДЕЛЬ МУЗЫКАЛЬНОГО БИЗНЕСА
или ищется, ориентирована на интересы бизнеса. Она не требует актив-
ности со стороны пользователя. Все, что от него нужно – это вступить
на торговую площадь. Тут его и берут в оборот. Это соображение – ко-
вать железо, пока горячо – стало решающим в эволюции коллаборатив-
ной фильтрации. Держать оценки наготове и быстро выдавать их, как
того требуют интересы бизнеса, никого ни о чем не спрашивая, – данная
логика подвела к скрытому этическому компромиссу. Как только реши-
ли не беспокоить клиента по таким пустякам, как его мнение о качестве, дело все больше стало клониться к программированию поведения.
Если для обычных товаров пообъектная фильтрация в ряде случа-
ев дает искомый результат, то с навигацией в культурном предложе-
нии все обстоит хуже. Хотя справедливости ради надо отметить, что
музыка в ряду культурных благ стоит особняком. Поскольку к хоро-
шим мелодиям люди могут возвращаться неоднократно, потребитель-
ские оценки с успехом заменяет подсчет числа прослушиваний той или
иной песни. Это тот редкий случай, когда неявные предпочтения адек-
ватно репрезентируют явные. На этом основаны музыкальные серви-
сы Audioscrobbler (ныне Last.Fm), Launchcast Radio и др.125 На компью-
тер, на котором прослушивается музыка, закачивается специальный
программный модуль. Больше от пользователя ничего не требуется126: его не беспокоят просьбами ранжировать музыкальные композиции, не задают вопросов о настроении и т. д. Модуль отслеживает музыку, которую проигрывает человек, и передает информацию на сервер. Он
также создает персональные веб-страницы пользователей сервиса, на
которых демонстрируются списки прослушанного. Предполагается, что после того как прозвучало более половины песни, ее смело можно
причислять к понравившимся и вносить в профиль. И все же в такой
методике есть скрытые ограничения. На сервер поступает информа-
ция только о той музыке, которая звучит на компьютере, т. е. в опре-
деленной обстановке, в частности в офисе. Очевидно, в этих условиях
включишь не всякую музыку, а например фоновую. В автомобиле будут
слушать другие мелодии, на Hi-End аппаратуре – третьи. Так что авто-
матически формируемый потребительский профиль неизбежно полу-
чается деформированным.
