Чтение онлайн

тений120. Косвенными источниками оценок могут служить, например, прошлые покупки или время просмотра конкретной веб-страницы, или

последовательность кликов по ссылкам в сети. В. Коуэн и В. Фэн пока-

зали, как можно отслеживать музыкальные предпочтения путем анали-

за логов (хронологической записи событий), статистики скачиваний и

прочей технической информации121. По названию файла можно устано-

вить исполнителя или композитора, а по IP-адресам – потребителей.

Тот

же принцип применяется в интернет-магазине Amazon: каждая

книга здесь сопровождается списком литературы, приобретенной поку-

119 Подробнее об этом см. часть 2, параграф 2.7.3.1.

120 Предпочтения могут быть явными (когда пользователь сам оценивает потреб-

ленные книгу, компакт-диск или ресторан) либо неявными (когда выводы дела-

ются на основе его действий).

121 Cohen W. W., Fan W. Web-Collaborative Filtering: Recommending Music by Crawling the Web // Proceedings of the 9th International World Wide Web Conference, 2000.

76

ГЛАВА 1.3. НАВИГАЦИЯ – НОВЫЙ ВИД УСЛУГ В МИРЕ МУЗЫКИ

пателями данной книги122. Считается, что фактом покупки люди выра-

жают свою оценку. Хотя купленное и понравившееся – это, очевидно, не

одно и то же, но этой разницей Amazon считает возможным пренебречь.

Несмотря на то что качество прогнозов, выведенных из косвенных дан-

ных, ниже, чем из прямых потребительских оценок, бизнес сделал став-

ку именно на них. За этим проглядывает желание не просто избавить

покупателей от лишних хлопот, но и дозировать их компетентность.

(Это тот же мотив, который привел дигитальные отрасли культуры к

единообразию цен.) Опции, облегчающие выбор, привлекают клиентов, способствуя увеличению продаж, но они же уточняют выбор, что ведет

к снижению продаж. Предоставляя услугу по навигации, бизнес заин-

тересован в таком ее виде, который не вредит сбыту продукции разно-

го достоинства. То есть он выбирает оптимальный для себя вариант, но

это не значит, что это лучший вариант с точки зрения покупателя. Если

бы навигационный сервис Amazon был платным и доходы от него были

бы сопоставимы с продажей книг, тогда резонно было бы ожидать более

высокого качества. Дареному же коню в зубы не смотрят. Предоставили

какую-то навигацию – и на том спасибо. Вообще, экспертиза, соединен-

ная с продажами, потенциально содержит возможность двурушничест-

ва, и полагаться на нее если и можно, то с большой осмотрительностью.

1.3.2.6. Кто кого фильтрует?

По мере того как число участников коллаборативной фильтра-

ции растет, нарастают проблемы обработки данных. При нескольких

миллионах пользователей ограничения

скорости операций становят-

ся ощутимыми. Поэтому, когда рекомендательный сервис используют

в качестве придатка к торговым системам, фильтрацию по типу «пот-

ребитель-потребитель» заменяют цепочкой «объект-объект» (см. рису-

нок). Этот принцип экономичнее, в частности из-за отсутствия необхо-

димости часто пересчитывать взаимосвязи между клиентами123. В этот

момент и закладываются предпосылки для незаметной переориента-

ции метода с нужд потребителей на интересы продавцов.

122 Подробнее см. приложение 1, параграф 11.6.1.

123 Этот вариант навигации в 2001 г. предложили Бадрул Сарвар и его коллеги из Уни-

верситета Миннеаполиса (см.: Sarwar B., Karypis G., Konstan J., Riedl J. Item-based Collaborative Filtering Recommendation Algorithms. [on-line] Department of Computer Science and Engineering, University of Minnesota, Minneapolis, 2001. [cited Feb. 15, 2006]. Available from URL: <http://www10.org/cdrom/papers/519/index.html>). В том

же направлении одновременно двигались и другие группы, включая Amazon.

77

ЧАСТЬ 1. ПЕРСПЕКТИВНАЯ МОДЕЛЬ МУЗЫКАЛЬНОГО БИЗНЕСА

В основе пообъектной фильтрации – фиксация всех оценок, вы-

ставленных пользователями системы различным объектам (это могут

быть товары, услуги, учреждения и т. д.), и анализ сходства между объ-

ектами, что не совсем то же самое, что сходство между людьми. Напри-

мер, берется конкретный продукт – книга – и выявляются все прочие

книги, получившие от различных потребителей сходную оценку. Хотя

с точки зрения математики подсчеты «объект-объект» вроде идентич-

ны данным, полученным из оценок потребителей, но во втором случае

отбираются продукты, нужные людям, а в первом – люди, «нужные»

для продвижения продуктов. В объектной фильтрации сходство между

товарами устанавливается по профилю оценок потребителей, а в «чело-

веческой» версии – по ряду персонально выделенных и значимых па-

раметров. Разница именно в том, что в коллаборативной фильтрации с

непосредственным участием потребителей те сами расставляют акцен-

ты, а пообъектная схема обходится без этого. Методы были бы иден-

тичны, если бы в поклиентской версии фильтрации учитывались все

оценки всех покупок, совершаемых потребителями.

Пренебрегать прямо высказанными оценками – это все равно что

судить о совпадении вкусов людей по их знакомству с блокбастерами.

К тому же очевидно, что факт потребления чего-либо далеко не всег-