Рекомендательные системы: You can (not) advise

advice and advise — the difference
www.grammar-monster.com/easily_confused/advice_advise.htm

А картинка для новости классно выбрана :3

ZOMG TEH REI!!!

Из статьи создается впечатление, что семейство алгоритмов называется SVD. На самом деле оно называется алгоритмами основанными на факторизации матрицы. Ключевые слова для поиска — «matrix factorization».

На счет суммы рекомендательных систем с разными весами, недавно вышла статья NIPS2012_0178, в которой предлагают их сделать переменными.

Скорее всего, проблемы рекомендательных систем в том, что их пытаются применить к не очень детализированной оценке. Например, толпа людей с разными вкусами голосует за фильм. Небольшое приближение к истине — отобрать из всех людей некоторую группу с вкусами, похожими на вкусы принимающего рекомендации. Но всё равно, скрытых параметров оказывается много и улучшение не такое значительное, как хотелось бы.

Как пример ситуации, где можно легко и довольно глубоко конкретизировать рекомендации — это лента статей того же Хабра, плюс похожие ленты. Читатели вполне осознают свои интересы, а рекомендатели вполне могут точно классифицировать тип статьи. Например, если воспользоваться уже созданной классификацией тем, то оценщикам нужно уточнить тематику статьи, если автор сделал это неточно, и указать несколько (2-3) оценок направленности и качества: качественность, лёгкость, полезность.

После этого остальные читатели получают точную (пропорционально точности оценщиков и их количеству) классификацию статей. Таким образом, первые прочитавшие будут помогать следующим, а следующие — следующим. И тогда она бы работала — все хабы приобрели бы реальный смысл.

В мире кино и книг система должна бы быть похожей — иметь прежде классификацию жанров, которые стали бы смотреть или читать зрители/читатели и несколько срезов оценок (профессиональность, качество, сложность).

Плюсанул картинку.

Впервые пишу это на хабре, даже как-то неловко.

На главной хабра новость про Рей.
Я джвадцать лет ждал этого дня.

Интересно, а сильно ли зависит предсказательная способность рекомендательных алгоритмов от шкалы оценки?

Иногда используется MAP как метрика точности в подобных системах: www.kaggle.com/wiki/MeanAveragePrecision

Где-то с полгода пользуюсь имхонетом (преимущественно для фильмов).
Насколько я знаю, базовые принципе те же, что описаны в статье, плюс ворох уточняющих моментов:

• по оценкам пользователя выбирают группу других пользователей со схожими оценками и дают рекомендации на основании оценок этой «фокус-группы»
• учитывают актуальность оценки (ставлю оценку фильму: оценка «весит» больше, если я смотрел этот фильм сегодня, меньше, если вчера, давно, очень давно)
• пробуют формировать карту вкусов пользователя устраивая опросники с косвенными вопросами
• рекомендация подсчитывается комплексно, учитываются вычисленные предпочтения пользователя по жанрам, режиссерам, актерам и т.п.
• ...

Бывают, правда, достаточно курьезные рекомендации (поначалу в рекомендациях у меня было довольно много корейских фильмов, например), но можно корректировать рекомендацию, указывая, почему тот или иной фильм рекомендовать не нужно.

Вообще там для фильмов, книг, игр и музыки разные уточняющие алгоритмы судя по всему, но поскольку пользуюсь только фильмами, точно не скажу.

Вообще такого рода сервисы нужны, контента уже генерится столько, что фильтровать очень сложно становится.