Рекомендательная Система

Две основные стратегии создания рекомендательных систем — фильтрация на основе содержания и коллаборативная фильтрация.
При фильтрации на основе содержания создаются профили пользователей и объектов, профили пользователей могут включать демографическую информацию или ответы на определённый набор вопросов, профили объектов могут включать названия жанров, имена актёров, имена исполнителей и другую атрибутивную информацию в зависимости от типа объекта. Например, в Music Genome Project музыкальный аналитик оценивает каждую композицию по сотням различных музыкальных характеристик, которые могут использоваться для выявления музыкальных предпочтений пользователя.
При коллаборативной фильтрации используется информация о поведении пользователей в прошлом — например, информация о покупках или оценках. В этом случае не имеет значения, с какими типами объектов ведётся работа, но при этом могут учитываться неявные характеристики, которые сложно было бы учесть при создании профиля. Основная проблема этого типа рекомендательных систем — «холодный старт»: отсутствие данных о недавно появившихся в системе пользователях или объектах.

В процессе работы рекомендательные системы собирают данные о пользователях, используя сочетание явных и неявных методов. Примеры явного сбора данных:

• запрос у пользователя оценки объекта по дифференцированной шкале;
• запрос у пользователя ранжировки группы объектов от наилучшего к наихудшему;
• предъявление пользователю двух объектов с вопросом о том, какой из них лучше;
• предложение создать список объектов, любимых пользователем.

Примеры неявного сбора данных:

• наблюдение за тем, что осматривает пользователь в интернет-магазинах или базах данных другого типа;
• ведение записей о поведении пользователя онлайн;
• отслеживание содержимого компьютера пользователя.

Рекомендательные системы сравнивают однотипные данные от разных людей и вычисляют список рекомендаций для конкретного пользователя. Некоторые примеры их коммерческого и некоммерческого использования приведены в статье о коллаборативной фильтрации. Для вычисления рекомендаций используется граф интересов. Рекомендательные системы — удобная альтернатива поисковым алгоритмам, так как позволяют обнаружить объекты, которые не могут быть найдены последними. Любопытно, что рекомендательные системы часто используют поисковые машины для индексации необычных данных.

С 1 октября 2023 в России начала действовать норма, обязывающая интернет-ресурсы информировать о работе рекомендательных сервисов, чтобы защитить пользователей от злоупотреблений со стороны платформ.

• Melville P., Mooney R., Nagarajan R. Content-Boosted Collaborative Filtering for Improved Recommendations (англ.) // University of Texas, USA : Материалы конф. / AAAI-02, Austin, TX, USA, 2002. — 2002. — P. 187—192. Архивировано 8 марта 2014 года.

• Жернакова О. Системы рекомендаций и поиска видеоконтента  (неопр.). Телемультимедиа (1 февраля 2012). Дата обращения: 15 марта 2023. Архивировано 5 марта 2016 года.

• Nadim Hossain. Why the Interest Graph Is a Marketer’s Best Friend (англ.). Mashable (19 июня 2012). Дата обращения: 15 марта 2023. Архивировано 20 июня 2012 года.

• Олег Капранов. Что такое рекомендательные сервисы и как они манипулируют пользователями // РГ, 14.10.2023
• Литература по рекомендательным системам (нем.)