286 |
Глава 10. Рекомендательные системы |
Перейдем к выработке рекомендаций на основе матрицы сходства (S) и матри цы предпочтений пользователя (U).
Выработка рекомендаций
Чтобы дать рекомендации, нужно перемножить матрицы. Пользователи с боль шей вероятностью заинтересуются товаром, часто встречающимся вместе с то варом, которому они дали высокую оценку:
Matrix[S] x Matrix[U] = Matrix[R].
Этот расчет показан на следующей диаграмме (рис. 10.6).
S |
|
R |
|
U |
|
|
|
|
|
Рис. 10.6 |
|
Для каждого пользователя создается отдельная результирующая матрица. Чис ла в матрице рекомендаций, Matrix[R], отражают прогнозируемый интерес пользователя к каждому из товаров. Например, в итоговой матрице четвертый элемент содержит наибольшее число — 58. Поэтому этот товар настоятельно рекомендуется данному конкретному пользователю.
Теперь рассмотрим ограничения различных рекомендательных систем.
ОГРАНИЧЕНИЯ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ
Чтобы выработать рекомендации для широкого круга пользователей, исполь зуются алгоритмы прогнозирования. Это мощная технология, но нужно при
Ограничения рекомендательных систем |
287 |
нимать во внимание и ее недостатки. Рассмотрим различные ограничения ре комендательных систем.
Проблема холодного старта
Очевидно, что для осуществления коллаборативной фильтрации необходимы данные о предпочтениях пользователей. Для нового пользователя такие данные, скорее всего, отсутствуют. В результате алгоритм сходства будет основан на предположениях, которые могут оказаться неточными. Подробная информация о новых позициях также появляется не сразу, что затрудняет работу системы на основе контента. Требование наличия данных о позициях в ассортименте и поль зователях для создания высококачественных рекомендаций называется проблемой холодного старта (cold start problem).
Требования к метаданным
Методы на основе контента требуют детального описания позиций для измере ния сходства. Такие описания могут быть недоступны, что влияет на качество прогнозов.
Проблема разреженности данных
Среди огромного количества товаров пользователь, как правило, оценивает только несколько позиций, что приводит к очень разреженной матрице реко мендаций.
У Amazon около миллиарда пользователей и миллиард товаров. Говорят, что механизм рекомендаций Amazon содержит самые раз реженные данные по сравнению с рекомендательными системами во всем мире.
Предвзятость из-за социального влияния
Социальное влияние играет важную роль при выработке рекомендаций. Взаи моотношения между людьми можно рассматривать как фактор, от которого зависят предпочтения пользователя. Друзья, как правило, покупают похожие товары, а также дают схожие оценки.