Чтение онлайн

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

Эвристические Модельные

контентный

общепринятые методики

общепринятые методики

•

прямой частотности – обратной

• байесова

классификация

частотности

• кластеризация

• кластеризация

• дерево

решений

•

искусственные нейронные сети

примеры исследований

примеры исследований

• Lang

1995

•

Pazzani & Billsus 1997

•

Balabanovic & Shoham 1997

•

Mooney et al. 1998

•

Pazzani & Billsus 1997

• Mooney & Roy 1999

•

Billsus & Pazzani 1999, 2000

•

Zhang et al. 2002

коллаборативный общепринятые методики

общепринятые методики

• ближайший

сосед

• байесовы

сети

• кластеризация

• кластеризация

• теория

графов

•

искусственные нейронные сети

• линейная

регрессия

• вероятностные

модели

примеры исследований

примеры исследований

•

Resnick et al. 1994

•

Billsus & Pazzani 1998

•

Hill et al. 1995

•

Breese et al. 1998

•

Shardanand & Maes 1995

•

Ungar & Foster 1998

•

Breese et al. 1998

•

Chien & George 1999

•

Nakamura & Abe 1998

•

Getoor & Sahami 1999

•

Aggarwal et al. 1999

•

Pennock & Horwitz 1999

•

Delgado & Ishii 1999

•

Goldberg et al. 2001

•

Pennock & Horwitz 1999

•

Kumar et al. 2001

•

Sarwar et al. 2001

•

Pavlov & Pennock 2002

•

Shani et al. 2002

•

Yu et al. 2002, 2004

• Hofmann

2003,

2004

• Marlin

2003

•

Si & Jin 2003

гибридный

комбинированные контентные

комбинированные контентные

и коллаборативные методы

и коллаборативные методы

• линейной

последовательности

•

инкорпорирование одного элемента

предсказываемых оценок

в другой на основании модели

•

различных голосовательных схем