Чтение онлайн

ляются как два вектора m-мерного пространства, а сходство между ними опреде-

ляется по косинусу угла между двумя соответствующими векторами: где

– скалярное произведение двух векторов.

183

ЧАСТЬ 2. УХУДШАЮЩИЙ ОТБОР В ИНДУСТРИЯХ КУЛЬТУРЫ

ным методом (используется коэффициент корреляции Пирсона), либо

методом линейного сходства. Простейший способ измерения сходства

между пользователями – по

среднеквадратичному отклонению.

Для улучшения работы системы используются различные модифи-

кации ранее описанных методов156. В частности, для преодоления де-

фицита оценок конкретного пользователя и подбора ему подходящих

рекомендателей прибегают к «голосованию по умолчанию» (эта схема

подходит в том случае, если все потребляют одно и то же и сходным об-

разом оценивают). Эмпирически установлено, что точность предсказа-

ния растет, если присваивать неоцененным товарам некую гипотети-

ческую оценку. Чтобы получить ее, предложено вычислять сходство не

между пользователями, а между товарами157.

Поскольку вкусы людей из группы рекомендателей, подобранных

компьютерной программой для данного клиента, хотя и близки между

собой, но все же не идентичны, нужно каким-то образом резюмиро-

вать их общую оценку. В примитивном варианте она вычисляется как

простое среднее. В то же время ясно, что чем более сходны во вкусах

клиент и кто-то из его рекомендателей, тем весомей должен быть вклад

оценки данного рекомендателя в предсказание, обобщающее мнение

группы. Однако и в этом варианте учтено не все: в частности, поль-

зователи по-разному воспринимают шкалу оценок. Эта проблема сни-

мается, если абсолютные значения оценок корректируются с учетом

систематического сдвига от среднего для соответствующего рекомен-

дателя (так нивелируется общая позитивная или негативная установка

абонента).

Примем для простоты, что в нашем распоряжении для тестирования вкусов

только три произведения. Тогда каждого рекомендателя можно схематически

обозначить в виде точки в прямоугольной декартовой трехмерной системе коор-

динат (х, у, z), а ее положение полностью определится оценками данных произ-

ведений. Вкус клиента тоже можно охарактеризовать точкой, в соответствии с

высказанными предпочтениями. Если из начала координат в эти две точки про-

вести векторы, то угол между ними будет характеризовать степень близости вку-

сов клиента и рекомендателя.

156 Такие как голосование по умолчанию, обратная частотность, предсказание на ос-

новании взвешенного большинства и др.

157 Sarwar B., Karypis G., Konstan J., Riedl J. Item-Based Collaborative Filtering Recommendation Algorithms // Proc. 10th Intl WWW Conf., 2001.

По их мнению, системы, ориентированные на анализ оценок, данных товарам, показывают луч-

шие результаты по сравнению с коллаборативными алгоритмами, ориентиро-

ванными на анализ потребителей. Так же считают и авторы работы: Deshpande M., Karypis G. Item-Based Top-N Recommendation Algorithms // ACM Trans.

Information Systems, Vol. 22, № 1, 2004. P. 143–177.

184

ГЛАВА 2.7. ОБЗОР РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

Наряду с клиент-клиентскими системами применяется коллабора-

тивная фильтрация второго класса – модельного158. В этой схеме с помо-

щью некоего индекса сходства пользователей объединяют в кластеры.

Покупки и оценки, данные потребителями из одного сегмента, исполь-

зуются для вычисления рекомендаций. По утверждению Г. Линдена и

его соавторов, кластерные модели лучше масштабируются (т. е. приспо-

соблены к работе с крупными базами данных) в сравнении с поклиент-

ской коллаборативной фильтрацией, так как сверяют профиль пользо-

вателя с относительно небольшим количеством сегментов, а не с целой

пользовательской базой159. Сложный и дорогой кластерный подсчет

ведется в оффлайновом режиме, что разгружает систему. Но качество

рекомендаций при этом снижается, и вот почему. Кластерная модель

группирует пользователей в сегмент, сравнивает конкретного пользо-

вателя с этим сегментом и выдает всем членам сегмента общие реко-

мендации. Так как пользователи, объединенные в кластер, не обладают

идеальным сходством, рекомендации тоже не идеальны. Их качество

можно повысить, разбивая пользователей на высокооднородные под-

группы, но тогда их будет много, и анализ связи пользователь-сегмент

обойдется так же дорого, как и поиск сходных потребителей методом

субъект-субъектной (поклиентской) коллаборативной фильтрации160.

158 Billsus D., Pazzani M. Learning Collaborative Information Filters; Breese J. S., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering; Getoor L., Sahami M. Using Probabilistic Relational Models for Collaborative Filtering //

Proc. Workshop Web Usage Analysis and User Profi ling (WEBKDD ’99), Aug. 1999; Goldberg K., Roeder T., Gupta D., Perkins C. Eigentaste: A Constant Time Collaborative Filtering Algorithm // Journal of Information Retrieval, Vol. 4, № 2, July 2001. P. 133–