Иван Оселедец, руководитель группы Компьютерных Вычислений Сколтеха и его аспирант Евгений Фролов предложили модель для построения рекомендаций, чувствительных как к позитивным, так и к негативным откликам пользователей. Научная работа принята на престижную конференцию ACM RecSys 2016, посвященную достижениям в сфере рекомендательных систем. Конференция пройдет в Бостоне в сентябре этого года. Препринт работы можно найти в базе научных публикаций Arxiv.

Рекомендательные системы — это системы подбора персонализированного контента для пользователя на основе его предпочтений. В наши дни с рекомендательными системами сталкивается каждый интернет пользователь. Например, если вы открываете страницу интернет-магазина по продаже книг, то при наличии истории более ранних заказов интернет-магазин предложит обратить внимание на список рекомендованных книг, составленный на основе ваших индивидуальных предпочтений. Примерами всемирно известных компаний, доход которых частично или полностью зависит от рекомендательных сервисов, являются Netflix, Amazon, Pandora, Spotify и многие другие. В широком смысле, рекомендации могут строиться для любых товаров, услуг или сервисов. Для того, чтобы узнать, какой фильм посмотреть вечером, какую книгу прочесть следующей или даже какой отель выбрать в отпуске уже совсем не обязательно обращаться к друзьям или знакомым — рекомендательные системы помогут найти ответ в считанные секунды.

Многие рекомендательные системы строятся на основе алгоритмов, в которых используется длинная история предыдущих действий пользователей. Но что система может вам порекомендовать, если вы впервые на сайте? Это называется проблемой холодного старта (cold-start). Для ее решения вас cначала могут попросить указать свои предпочтения, отметив в заранее составленном списке товаров или услуг те, которые вам нравятся. Но что если из этого списка вам ничего не нравится? Большинство современных алгоритмов не способны корректно обработать такую ситуацию. Они практически нечувствительны к негативным отзывам и могут выдавать не подходящие вам рекомендации.

Модель, предложенная учеными, способна эффективно работать с любыми типами пользовательских предпочтений. «Если пользователю не нравится фильм «Лицо со шрамом» (это известное криминальное кино с присущей этому жанру жестокостью), то стандартный рекомендательный алгоритм порекомендует похожие (криминальные) фильмы, такие как «Крестный отец», например. Но наша система порекомендует фильмы с «противоположными» характеристиками — мультфильмы или романтику. Благодаря нашему алгоритму можно не требовать от пользователя указывать только положительные предпочтения — пользователь может сообщить, что ему не нравится, и система тем не менее сможет подобрать релевантные рекомендации. Это в свою очередь смягчает проблему cold-start — больше не требуется длинных опросов, пользователь может начать с любого фильма/книги/аудио трека (понравившегося или же не понравившегося), а система будет подбирать интересные рекомендации, улучшая их качество по мере увеличения количества известных пользовательских предпочтений,» — рассказывает Евгений Фролов.

«Если пользователю не нравится фильм «Лицо...

«Если пользователю не нравится фильм «Лицо со шрамом», наша система порекомендует фильмы с «противоположными» характеристиками — мультфильмы или романтику.»

Добиться такой универсальности и эффективности ученым удалось благодаря применению тензорных методов, являющихся обобщением матричных подходов для задач более высокой размерности. Благодаря продуманному алгоритму, вычисление рекомендаций не занимает много времени и подходит для работы онлайн. Предложенная модель может найти свое применение в крупных интернет сервисах по продаже товаров и услуг или, например, у поставщиков потокового медиа контента.