Я заходжу в МакДоналдс, кажу молодій дівчині за касою:
- Вітаю. Мені гамбургер (29 рублів), картоплю фрі (31 рубль) і кока-колу (4 рубля).
- Пирожок (38 рублів) не бажаєте?
- Чому б і ні, давайте.
38 рублів мого замовлення складають 29% грошей, які я заплатив дівчині за касою, і якби я був незадоволений життям, я б зобразив цей факт ось так:
Час диктує своє - тепер безліч продавців електронні. Це зручно, адже можна купити річ, не виходячи з дому!
Але як порекомендувати живій людині хоч що-небудь, якщо ти - комп'ютер?
Я - комп'ютер
Щоб порекомендувати вам щось, комп'ютери спочатку досліджують ваш смак. Є багато різних параметрів, за якими можна відстежити, який у вас смак:
- які сторінки ви дивитеся частіше
- які товари купуєте
- які кладете собі в художній альбом
- як ви оцінюєте ті чи інші речі
- що ви рекомендуєте друзям
- що подобається вашим друзям
Використовуючи цю інформацію, комп'ютери підходять до рекомендацій з двох сторін і виходять людиноорієнтованого і продуктоорієнтованої рекомендації.
людиноорієнтованого рекомендації
Це виглядає так:
Будь я комп'ютером, порадив би ABBA. Так комп'ютери і роблять.
продуктоорієнтованої рекомендації
Вчені з Amazon.com (так круто, що в магазині працюють вчені!) Одними з перших вирішили, що комп'ютерам легше відштовхуватися немає від схожості людей, а від схожості речей.
І вони почали шукати не людей зі схожими смаками, а товари, які схожі на ті, що подобаються вам. Це виглядає так -
Комп'ютер порадить BMW і Apple. Ну, ви і так зрозуміли.
Може здатися, що ці способи майже нічим не відрізняються. Але комп'ютери - чутливі штуки, і для них все дуже важливо.
Дізнатися смак всіх чоловіків!
І це не найскладніше. Найскладніше зрозуміти, наскільки збігаються смаки людей або наскільки схожі дві речі друг на друга. Одного разу я вже розповідав про тривимірний простір, але коли маєш справу зі смаками людей, в справу вступають простору страшніше.
Наприклад, у вас є магазин і там продається близько тисячі речей. Тоді вам знадобиться проводити операції в тисячемерном просторі, щоб дізнатися смаки ваших покупців. Це не дуже-то просто, тому що навіть чотиривимірний простір - чортзна-що.
Давайте для простоти будемо продавати тільки два товари, щоб дізнатися, хто на кого схожий - практичні чоботи Hunter і ще більш практичні коричневі труси American Apparel.
Шкала смаку така - від 100 (повний захват) до -100 (повна відраза). Припустимо, Круглий повністю захоплений трусами, але лише наполовину захоплений чобітьми. Можна зобразити його смак таким чином:
Про Яйцеголові нам відомо менше - труси йому подобаються очок на 60. Як комп'ютера порахувати, наскільки йому сподобаються чоботи?
Ця формула - звичайна пропорція, якій всіх вчать в школі. Нічого складного, але складнощі починаються, як тільки товарів більше двох. Відразу в справу вступають косинуси кутів в n-вимірному просторі і інші штуки.
Так що зупинимося на двох товарах. Упевнений, суть ви вловили.
Проблеми комп'ютерних рекомендацій
Якщо ви запитаєте у друга: «Де повечеряти сьогодні?», А він відповість вам: «Сходи краще в кіно на Скотта Пілігрима!», То ви не здивуєтеся, і навіть є ймовірність, що проміняєте вечерю на кіно. Але якщо вам у відповідь на запит так скаже Google, ви подумаєте, що зламали найпопулярніший пошуковик на планеті. Це проблема, але, ймовірно, тимчасова.
Якщо у вас є якісь дані про переваги кого-небудь, то - ви.
Зараз ви читаєте сайт Look At Me. Напевно є таке місце, де записано, чому користувачі ставлять плюсики, чому - навпаки. Що кладуть в обране. Значить, можна застосувати відомі алгоритми до цієї інформації і радити читачам різні штуки.
Ось, наприклад, пост, який вийшов півтора роки тому. Я його не читав до сьогоднішнього дня, але якби мені порадили, я б із задоволенням.
І так не тільки з Look At Me, а буквально всюди, де люди можуть висловити своє ставлення до чого-небудь.
Давати поради справа невдячна, але найчастіше - вигідне.