- PVSM.RU - https://www.pvsm.ru -

Некоторые аспекты применения рекомендательных систем

recommendationРекомендательные системы [1] ежедневно влияют на решения, принимаемые в процессе пользования интернет-ресурсами. В то время как при разработке и внедрении значительное внимание уделяется таким вопросам, как точность и приватность рекомендаций, долгосрочная взаимная обратная связь между рекомендательными системами и рекомендациями пользователей никогда не подвергалась серьезным исследованиям.

Несмотря на распространенное мнение, что рекомендации помогают пользователям находить что-то новое, длительное применение рекомендательных систем может способствовать чрезвычайному росту популярности некоторых элементов и, в конечном счете, сужать выбор пользователя. Эти результаты подтверждаются некоторыми исследованиями [2] в реальных системах.

Даже если мы не замечаем эффекта, наша жизнь в сети зависит от рекомендаций. Популярные веб-сайты типа Netflix, YouTube, Amazon и Ozon в попытке облегчения навигации, предлагают возможности предоставления релевантных элементов. Таким образом, достигается рост удовлетворенности пользователей и, что немаловажно прибыль. Сегодня широко распространены разные работающие алгоритмы рекомендаций, начиная от самых простых вариантов «покупатели, которые выбрали X также приобрели Y», и заканчивая сложными вариантами типа сингулярного разложения [3].

Хотя многие пользователи по-прежнему действуют независимо от любой автоматизированной помощи, использование рекомендательных систем с каждым днем неуклонно растет. Главным свойством любой рекомендательной системы является способность сопоставления запросов клиентов с соответствующими продуктами. Эта задача особенно важна и трудна для менее популярных элементов, для которых пользовательские паттерны не могут быть легко идентифицированы. Правильное согласование менее популярных элементов имеет решающее значение для электронной коммерции. Исследования показали, что от 20% до 40% продаж на Amazon'е не относятся к наиболее популярным товарам. Если проранжировать товары и сопоставить их продажи можно получить определенный график с длинным хвостом распределения, который содержит большое количество нишевых элементов. Зачастую они обеспечивают более высокий уровень прибыли по сравнению с наиболее популярными товарами.

В этом отношении рекомендательные алгоритмы позволяют выявить скрытые ресурсы распределения с длинным хвостом [4]. Рекомендации работают, расширяя разнообразие рекомендуемых элементов и более равномерно распространяя внимание пользователя. Тем не менее, на данный момент алгоритмы, реализованные на многих популярных ресурсах, не полностью выполняют свои функции из-за чего хвост распределения популярности становится короче. Одновременно с этим наиболее популярные элементы все еще составляют значимую долю от общего объема продаж. Такое неблагоприятное воздействие, в конечном итоге, может привести к потере равновесия в системе.

Алгоритмы, построенные на основе точностно-ориентированных метрик, по своей природе не могут объяснить такое поведение. Хотя, если присмотреться более пристально, можно обнаружить обратную связь между выбором пользователей и системой рекомендаций. Это взаимодействие аналогично для многих физических систем. Поэтому для исследований вполне приемлемо использовать физический подход.

В настоящее время чаще всего исследуют рекомендательные системы для достижения краткосрочных показателей типа точности и разнообразия, при этом совершенно очевидно, что использование обычных рекомендательных алгоритмов приводит к тому, что система достигает стационарного состояния, в котором внимание пользователей сосредоточено на малом количестве элементов (товаров), а не распределено на широкий ассортимент. Другими словами, обычные алгоритмы рекомендаций в конце концов сужают выбор пользователя и снижают информационные горизонты вместо их расширения.

В некоторых случаях, также наблюдается явление гистерезиса, которое подразумевает серьезную зависимость системы от исходного состояния. Что в то же время свидетельствует о недостаточности нынешних рекомендательных систем для интернет-магазинов, приложений, поисковых систем, социальных сетей и средств массовой информации. А также о необходимом компромиссе между краткосрочными и долгосрочными эффектами применения систем рекомендации при проектировании и внедрении следующего поколения рекомендательных систем. Так что на данный момент нужно заниматься более широкими исследованиями в данной области, поскольку выигрыш от более полного использования всего распределения может быть огромен и являться своего рода резервом для всего онлайн бизнеса.

Автор: jasiejames

Источник [5]


Сайт-источник PVSM.RU: https://www.pvsm.ru

Путь до страницы источника: https://www.pvsm.ru/marketing/95833

Ссылки в тексте:

[1] Рекомендательные системы: https://ru.wikipedia.org/wiki/%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%B0%D1%8F_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0

[2] исследованиями: http://hbr-russia.ru/prodazhi-i-marketing/marketingovaya-politika/a10450/

[3] сингулярного разложения: http://habrahabr.ru/company/surfingbird/blog/139863/

[4] скрытые ресурсы распределения с длинным хвостом: http://www.nnre.ru/delovaja_literatura/dlinnyi_hvost_novaja_model_vedenija_biznesa/p11.php

[5] Источник: http://megamozg.ru/post/18438/