Документ описывает рекомендательные сервисы, их принципы работы и методы фильтрации, включая контентную и коллаборативную фильтрацию. Упоминается важность учета мнений пользователей и способа измерения точности рекомендаций. Особое внимание уделяется проекту 'Имхонет', который генерирует кросс-культурные рекомендации для различных типов контента.

1. Коллаборативная фильтрация: как считать рекомендации? Артём Лебедев www.imhonet.ru [email_address]

2. Что такое рекомендательный сервис? Рекомендательный сервис – система, позволяющая каждому пользователю выбирать среди огромного количества объектов те, которые наиболее подходят ему в соответствии с его индивидуальным вкусом и предпочтениями.

3. Рекомендательный сервис как поисковик нового поколения книги фильмы музыка сайты игры люди Сервис поиска информации Рекомендательный сервис пользователь пользователь пользователь пользователь пользователь пользователь

4. Продукты рекомендаций Списки рекомендованных объектов – прогноз, что понравится пользователю с высокой степенью вероятности (контентная составляющая) Перечень единомышленников – автоматически сформированный круг людей близких по вкусовым предпочтениям (социальная составляющая)

5. Принципы построения рекомендательных сервисов Контентная (или объект-объектная) фильтрация – метод, когда сравниваются свойства товаров Коллаборативная (от англ. с ollaboration – «сотрудничество») фильтрация (или, иначе говоря субъект-субъектная) – метод, когда все расчеты строятся исключительно на мнении самого пользователя

6. Источники информации о мнении пользователей Явные оценки – измеряющие явное удовлетворение каким либо контентом пользователями в различных шкалах Неявные (косвенные) оценки – измеряющие как правило степень заинтересованности пользователей продуктами

7. Способы учета мнений пользователей Рейтинги – усредненные величины мнений Подбор близких объектов – то, что понравилось тем, кому понравилось это Подбор близких субъектов – тех, кому понравилось это

8. Принцип коллаборативной фильтрации u1 u2 u3 i1 i2 ro1 ro2 u1 – профиль пользователя, которому подбираются рекомендации u2 , u3 – профили рекомендателей i1 , i2 – пересечение профиля пользователя u1 с профилями рекомендателей u2 и u3 ro1 , ro2 – рекомендуемые объекты от пользователей u2 и u3 соответственно

9. Как измерить точность рекомендаций ? RMSE ( Root Mean Square Error) – среднеквадратичное отклонение (корень из суммы квадратов разностей) Rate – прямая оценка объекта субъектом ExpectRate – ожидаемая оценка (прогноз)

10. Имхонет - мультикультурный сервис книги фильмы музыка сайты игры люди Совокупность оценок Референтные группы RO1 A RO2 B A – референтная группа используется для прямого прогнозирования в определенном типе контента B – референтная группа используется для прогнозирования в других типах контента, по которым у референтов есть оценки RO1, RO2 – совокупность рекомендуемых объектов

11. Имхонет – мультипользовательский сервис объекты Клиент 1 субъекты объекты субъекты Клиент 2 объекты субъекты Клиент N Рекомендательный сервис Имхонет нормализация оценки субъекты объекты

12. Отличия Имхонета Сервис, который уже сейчас генерирует рекомендации по многим типам контента , и в которой отлажен механизм кросс-культурных рекомендаций Система, в которой контентная и социальная составляющая развиты одинаково капитально Реализован механизм переноса рекомендательного функционала на сторонние ресурсы

13. Спасибо за внимание! Вопросы? Артем Лебедев [email_address]