Ta objava na blogu pojasnjuje osnovne koncepte sistemov priporočil, s poudarkom na načelih in primerih uporabe skupnih priporočil.

Pregled sistemov priporočil in podatkovnega rudarjenja

Morda se spomnite, da ste v ameriški spletni knjigarni amazon.com videli stavke, kot je »Stranke, ki so kupile ta izdelek, so kupile tudi«. To je storitev, ki uporabnikom med nakupovanjem predlaga: »Kaj pa ta knjiga?« Poleg tega nekateri iskalniki samodejno popravijo tipkarske napake, ko uporabnik na portalu vnese napačen iskalni izraz, tako da lahko najde iskalni izraz, ki ga je prvotno želel. Navsezadnje je računalnik tisti, ki priporoča izdelke in popravlja napačno črkovane besede.
Priporočilni sistemi so podpodročje podatkovnega rudarjenja, enega glavnih raziskovalnih področij v računalništvu. Izraz »podatkovno rudarjenje« – kombinacija besed »podatki« (kar pomeni informacija) in »rudnik« (kar se nanaša na pridobivanje mineralov iz rudnika) – se nanaša na proces odkrivanja novih podatkovnih modelov, ki prej niso bili znani, pridobivanja uporabnih informacij za prihodnost in uporabe teh informacij za sprejemanje odločitev.
Namen sistema priporočil je napovedati vedenje uporabnikov na podlagi obstoječih podatkov in temu primerno izluščiti ter zagotoviti smiselne informacije. Kako je torej mogoče takšne napovedi podati? Osnovni in reprezentativni pristopi k sistemom priporočil vključujejo sodelovalna priporočila, priporočila na podlagi vsebine in priporočila na podlagi znanja. V tem članku bomo preučili, kaj so sodelovalna priporočila in kako delujejo.

Načela in primeri skupnega priporočila

Recimo, da prodajalca v veliki knjigarni stranka prosi, naj ji priporoči novo knjigo, pri čemer navede knjigo A kot tisto, ki se ji je še posebej vtisnila v spomin. Prodajalec lahko preuči nadaljnje vedenje drugih strank, ki so kupile isto knjigo A. Če prodajalec pri preverjanju prodajnih evidenc ugotovi, da je večina strank, ki so prej kupile knjigo A, nato kupila knjigo B, lahko prodajalec priporoči knjigo B trenutni stranki. To je klasičen primer sodelovalnega priporočila.
Sodelovalno priporočilo je metoda, ki povezuje uporabnike, ki so se v preteklosti obnašali podobno, prek »sodelovalnega« odnosa in uporablja te informacije za napovedovanje naslednjega dejanja ali preferenc uporabnika. Ena ključnih značilnosti sodelovalnega filtriranja je, da lahko napove rezultate izključno na podlagi preteklih vzorcev vedenja uporabnikov v sodelovalnem omrežju, tudi brez informacij o ciljnem elementu. Zato lahko zgoraj omenjeni prodajalec priporoči knjigo B, tudi če ne ve natančno, kaj je knjiga A.
Eden od ključnih procesov pri sodelovalnem filtriranju je vzpostavitev sodelovalnega omrežja. Z vidika računalništva to vključuje kvantificiranje podobnosti med uporabniki, ki so v preteklosti kazali podobno vedenje, da se določi stopnja podobnosti. Ena osnovnih metod je uporaba Pearsonovega korelacijskega koeficienta.
Pearsonov korelacijski koeficient je metrika, ki kaže podobnost izbir med dvema uporabnikoma, z vrednostmi od -1 (močna negativna korelacija) do 1 (močna pozitivna korelacija). Naj bo P niz določenih postavk, r_i,j ocene, ki jih je uporabnik i dal za postavko j, in r̄_a povprečna ocena uporabnika a. Nato lahko podobnost sim(a, b) med uporabnikoma a in b izračunamo z uporabo Pearsonovega korelacijskega koeficienta. (Izvirno besedilo je vsebovalo formulo in primer tabele ocen uporabnikov, tukaj pa podajamo konceptualno razlago.)
Predpostavimo, da je v primeru tabele uporabniških ocen podobnost med Alice in Uporabnikom1, izračunana z uporabo Pearsonovega korelacijskega koeficienta, 0.85. Ker je 0.85 blizu 1, lahko sklepamo, da sta oceni Alice in Uporabnika1 pozitivno korelirani, kar lahko obravnavamo kot sodelovalni odnos.
Če obstaja metrika, ki kaže podobnost uporabniških ocen, jo je mogoče uporabiti za napovedovanje ocene določenega uporabnika za element. Najprej naj N (sosedje) označuje množico drugih uporabnikov, katerih Pearsonovi korelacijski koeficienti z določenim uporabnikom dosegajo prag (določen poljubno). Konceptualno se napovedana ocena pred(a, p) za element p s strani uporabnika a izračuna tako, da se vzame tehtano povprečje ocen in podobnosti teh sosedov.
Na primer, če sta v zgornji tabeli Uporabnik1 in Uporabnik2 – katerih Pearsonova korelacijska koeficienta sta 0.85 oziroma 0.7 – nastavljena kot Alicina soseda, je Alicino oceno za Postavko5 mogoče napovedati tako, da se upošteva podobnost z ocenama teh dveh sosedov.
Računalništvo se je razvilo v iskanju človekovega udobja, sistemi priporočil pa – kot del teh raziskovalnih dosežkov – sodobnim ljudem zagotavljajo udobje, ne da bi se tega sploh zavedali. Ljudje se pri odločanju običajno posvetujejo z mnenji drugih; medtem ko je bilo treba v preteklosti ta postopek opraviti ročno, nam danes računalniški sistemi priporočil omogočajo lažje in hitrejše iskanje ustreznih izbir. Dejstvo, da računalniki samodejno priporočajo izbire, prilagojene posameznikom, nas spodbuja k ponovnemu razmisleku o tem, kako koristen je tehnološki napredek za človeštvo.