Рекомендательные сервисы попали в число модных штучек

Рекомендательные сервисы попали в число модных штучек. Даже в анкетах, заполняемых при приеме на работу в интернет-компании, появилась графа «владение рекомендательными системами». Востребованность только усугубляет путаницу.

Поэтому на Российской неделе Интернета (RIW) проводится круглый стол «Рекомендательные сервисы – новый тренд Рунета: проблемы и выгоды».

Типичная ситуация: на сайте ставят простейшую голосовалку и публикуют рейтинги – называется все рекомендательным сервисом. Хотя это не имеет ни малейшего отношения к рекомендациям. Рекомендательный сервис – это антирейтинг. А точнее персонализированный рейтинг, когда прогноз выдается каждому пользователю индивидуально с учетом его вкусов и предпочтений. Почему поднимается тренд на рекомендательные сервисы?

Александр Долгин, управляющий рекомендательным сервисом Имхонет imhonet.ru:

В последнее время господствует концепция четырех «В» – все, всем, всегда, везде: любой товар, по любому запросу, в любой момент, в любой точке. Ассортиментное предложение растет лавинообразно. Тем актуальнее становится вопрос: «Что из этого многообразия выбрать?» На него и дают ответ коллаборативные рекомендательные сервисы.

Рекомендательные системы бывают двух типов: коллаборативные (Имхонет – imhonet.ru, Last.FM - lastfm.ru, «Афиша» – afisha.ru) и объект-объектные (или эвристические, прецедентные). Последние собирают сведения о привычках и потребительских актах пользователей, объединяют людей, совершающих похожие покупки, в кластеры и на этой основе прогнозируют будущее покупательское поведение. Этот метод завязан на косвенных данных и всевозможных эвристических предположениях: человек, покупающий зубную щетку, покупает еще и зубную пасту; или вариант Amazon – пользователю выдается список книг, приобретенных покупателями данного издания... Эвристики могут быть более или менее изощренными, но система в любом случае не знает важнейшего: человек купил товар себе (другу или врагу J); устроил он его или нет, – ведь купленное и понравившееся – не одно и то же. Между интересом к продукту и его итоговой оценкой существует зазор, который может быть сколь угодно большим. Но у объект-объектных сервисов есть свое преимущество – простая математика и быстрые расчеты. Поэтому их широко используются в торговле. Конечным потребителям они служат порой подсказкой, но играют сугубо вспомогательную роль.

Александр Сергеев, журнал «Вокруг света», научный редактор

Проект, подобно рыночному торговцу, окликает покупателя: «Вай! Картошку взял, почему морковку не берешь?!» Возможно, клиент ее возьмет, но поймет (или почувствует), что это никакие не рекомендации, а просто торговля. И если торговое предложение внешне замаскировано под рекомендацию, это неизбежно вызовет ощущение разводки, что никак не способствует лояльности.

С моей точки зрения, существует три требования к рекомендательному сервису:

1. Персонализация (каждому клиенту свои рекомендации);

2. Независимость (отсутствие конфликта интересов: рекомендательный сервис должен быть целиком на стороне клиента, что возможно лишь в том случае, когда рекомендации являются основным источником его дохода, величина которого напрямую зависит от качества рекомендаций).

3. Коллаборативность

Коллаборативная технология (от англ. collaborative – «сотрудничество») базируется на прямых пользовательских сигналах. Здесь за людей ничего не додумывается. В основе расчета прогнозов – обмен потребительским опытом между членами сети с близкими вкусами и суждениями. Происходит все следующим образом: пользователи ставят оценки самым разным объектам. Тем самым они формируют свой профиль предпочтений (фактически знакомят систему со своим вкусом). Программа сравнивает профили и подбирает группы единомышленников – людей с близкими взглядами. После чего система, исходя из выставленных баллов, рассчитывает персональные рекомендации. Предположим, два человека оценили полсотни фильмов – по 40 из них оценки оказались близки. (Есть основания полагать, что мнение каждого из них информативно для его визави.) Если кто-то из них посмотрит 51-ю картину – на основании выставленной им оценки можно спрогнозировать впечатление второго.

Есть подвид коллаборативной фильтрации (он применяется на Last.Fm), где людям не нужно выставлять никаких оценок. Несмотря на это, здесь удается корректно выявлять пользовательские предпочтения. Если человек 20-ый раз прослушивает тот или иной трек, значит, он ему нравится. Но эта логика работает только в музыке, которая прослушивается многократно.

Принцип коллаборативной фильтрации логически простой и понятный, но его математическая реализация сложная. Ведь рекомендателей не один и не два, а десятки и сотни. Главным является то, каким способом при подборе референтных групп и выдаче рекомендаций определяется вкусовая близость, иными словами, как вычисляются метрики. Еще одно узкое место – проблема «холодного старта»: для того, чтобы выдавать качественные рекомендации, в базе сервиса должно быть большое количество пользовательских профилей и оценок – иначе система не сможет подобрать единомышленников. В силу этого рекомендательные сервисы – чрезвычайно многодельная и наукоемкая отрасль.

Александр Долгин, управляющий рекомендательным сервисом Имхонет:

Такие рекомендательные сайты, как Имхонет (imhonet.ru), представляют собой многоуровневую систему: автоматически выдаваемые списки рекомендованного обеспечивают пользователю быстрый вход. Они, как трамплин, выносят его в нужном направлении. Дальше человек по своему усмотрению может выбирать глубину и детализацию прогноза. Это полуавтоматизированная, а в ряде случаев и ручная работа, которая требует некоторых усилий, но они незряшные, потому что направление верное – ты понимаешь, зачем тебе изучать оценки, отзывы, комментарии именно этого человека. Т.е. система как объектив, который можно подкручивать и рассматривать интересующий объект при все большем и лучшем увеличении.

Например, я планирую пройти в кино. Смотрю рекомендуемое в прокате. Оценка, прогнозируемая сервисом, по одному из фильмов достаточно высока. Я хочу получить дополнительную информацию. Отфильтровываю кинокритиков, выделяю из всего пула наиболее близких мне по вкусу – читаю их отзывы. И таких маршрутов – сколько угодно.

В силу того, что рекомендательный функционал на порядок улучшает навигацию, его установка приводит к вполне осязаемым экономическим эффектам: число просмотров страниц увеличивается на 24 процента, продажи – на 18 процентов. При этом сервис остается равно удаленным от поставщиков, что позволяет избежать конфликта между продажами и качеством рекомендаций. Ведь для рекомендательного сервиса принципиально важно, чьи интересы – коммерческие или человеческие – ставятся во главу угла.

Какие рекомендательные системы лучше подходят для разного типа ресурсов? В чем специфика выдачи рекомендаций разными сервисами? В чем ценность рекомендательного функционала для различных игроков рынка - производителей, авторов, потребителей? Об этих и других вопросах пойдет речь на круглом столе RIW «Рекомендательные сервисы – новый тренд Рунета: проблемы и выгоды» 24 октября в 13-00.