на коллаборативной фильтрации, мы классифицировали Елену и Майка как похожих пользователей. Теперь Елена читает Документ 3 (журнал о женской моде). Если следовать алгоритму, мы должны предложить этот журнал и Май­ ку, который, скорее всего, не проявит к нему особого интереса.

В 2012 году американский супермаркет Target экспериментировал с коллаборативной фильтрацией для рекомендации товаров покупа­ телям. На основе профилей клиентов алгоритм классифицировал отца и его дочь-подростка как похожих покупателей. В итоге Target отпра­ вил отцу скидочный купон на подгузники, детскую смесь и детскую кроватку. Но отец не знал о беременности своей дочери…

Алгоритм коллаборативной фильтрации не зависит от какой-либо другой ин­ формации, является автономным и базируется на изменении поведения поль­ зователей и совместных рекомендациях.

Гибридные рекомендательные системы

Итак, мы обсудили системы на основе контентной и коллаборативной фильтра­ ции. Оба типа рекомендательных систем могут быть объединены для создания гибридной системы. Для этого нужно выполнить следующие действия:

zz Создать матрицу сходства элементов.

zz Создать матрицы предпочтений пользователей. zzВыработать рекомендации.

Рассмотрим подробнее обозначенные шаги.

Создание матрицы сходства элементов

Построение гибридной системы начнем с создания матрицы сходства (similarity matrix) с использованием рекомендаций на основе контента. Это можно про­ делать с помощью матрицы совместной встречаемости или любой меры рас­ стояния для количественной оценки сходства между элементами.

Предположим, у нас есть пять товаров. Используя рекомендации на основе со­ держания, создадим матрицу, которая отражает сходство между товарами и вы­ глядит следующим образом (рис. 10.4).

Далее объединим матрицу сходства с матрицей предпочтений для выработки рекомендаций.