Динамические рекомендации и персонализация

personalizationСуществует множество классификаций рекомендационных движков, как с точки зрения применяемых в них математических моделей, так и со стороны используемых данных. Одной из главных стратификаций в коммерческих рекомендационных системах является степень их “динамичности”, то есть принцип перевычисления рекомендационных материалов.

Если, скажем, упростить рекомендационную систему до такой абстракции, что для заданной комбинации (пользователь, контекст) она выдает некоторый набор материалов, то динамичностью здесь будет период перевычисления этого набора. Поясним на примере этой абстракции, как могут действовать рекомендационные системы. Во-первых, можно вообще сделать параметр “пользователь” несущественным и привязать рекомендательную функцию только к контексту, например, к веб-странице, с которой рекомендации запрашиваются. В этом случае можно вычислять материалы с какой-нибудь периодичностью, зависящей, например, от частоты появления новых веб-страниц на ресурсе. Во-вторых, если взять во внимание параметр “пользователь”, период перерасчета неизбежно нужно будет серьезно уменьшить, то есть пересчитывать рекомендации чаще. Не вдаваясь в строгие доказательства вышеприведенного факта, отметим, что это необходимо для вычерпывания максимально возможной информации из нового параметра и повышения качества материалов. И, наконец, в-третьих, технически идеальной стратегией будет вычисление рекомендаций “на лету” — в тот момент, когда конкретный пользователь, находящийся в конкретном контексте, их запрашивает. Такой принцип позволяет использовать максимум имеющеейся на данный момент информации, добиться предельной персонализированности, но неизбежно влечет повышение сложности рекомендационных моделей.

Однако это вовсе не “игра мускулами” — как показывает статистика, повышение персонализированности рекомендаций существенно увеличивает показатели их эффективности. В свою очередь, это достижимо только путем максимальной динамичности систем. Статические системы, хоть они и существенно проще и требуют гораздо меньших вычислительных ресурсов, не способны “выжать” максимум полезной информации из всех имеющихся данных.

Natimatica как раз и относится к классу редких рекомендательных сервисов, осуществляющих вычисление рекомендаций “на лету” для каждого пользователя. Это позволяет нам учитывать максимальное количество пользовательской информации при составлении рекомендаций и добиваться их наивысшей персонализации.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *