Чтобы получить на выходе работающие, дифференцированные рекомендации, нужна более изощренная техника взаимодействия с потребителями. В ней должна учитываться разница во вкусах – ключевое звено проблемы навигации. Традиционно оценщиками выступают специально отобранные эксперты, что влечет за собой как минимум три проблемы: во-первых, как выбрать (назначить) экспертов; во-вторых, по каким параметрам судить о качестве; в-третьих, как выводить общую оценку из комбинации частных. В принципе, наладить экспертную систему можно, но поскольку под каждую конкретную задачу ее придется модифицировать, это обойдется очень дорого. А в случае с музыкой впечатление зависит не только от самой мелодии, но и от условий прослушивания, настроя и многого другого. Как все это учесть в оценке и донести до конкретного потребителя?

1.3.1.1. Как учесть разницу во вкусах?

Идея в том, чтобы «авторизовать» участников, взяв за основу оценки известных им произведений. Предположим, мнения собраны. Чтобы вывести из них рекомендации для конкретного потребителя, от него следует получить его собственные оценки знакомых песен. Они-то и станут тем критерием, на основании которого автоматически будут отбираться рекомендатели из числа абонентов системы, чьи суждения о песнях, которые упоминает клиент, совпадают с его собст­венными или близки к ним. На конкретный запрос будет выдаваться комбинация оценок, выведенная из откликов именно этих оценщиков. Таким образом, человек получит рекомендации от тех, кто обладает схожим вкусом. Вся прочая статистика его не касается. Допустим, в качестве критериев некий абонент ввел высокие оценки песен Битлз, Куин, Мадонны, Гэйбриэла, Таркана, Мартина (набор может быть любым). Рекомендации поступят от тех, кто, так же как и сам клиент, высоко (или, напротив, низко) оценивает эти песни. Положим, человек совпал с некоей группой рекомендателей во мнении по десяти произведениям, которые он сам назвал. В ответ ему сообщается оценка, вынесенная этими абонентами по произведению, с которым те уже ознакомились, а клиент еще нет. Велика вероятность, что, последовав рекомендациям, пользователь останется доволен. Конечно, возможны несовпадения, связанные с различиями в ситуации потребления (настроение, антураж и т. п.). Другой источник расхождений – отличия в интерпретации: кем-то найдено определенное прочтение произведения, а от кого-то оно ускользнуло. Отсюда разночтения, сами по себе ценные. Клиент, по сути, получает подсказку: «Смотри внимательно, здесь что-то есть».

Возможен любой набор критериев (необязательно музыкальных) для выбора экспертов. Можно, к примеру, задать такой параметр, как знакомство с сочинениями Марселя Пруста, или запросить мнение людей, негативно оценивших «Терминатора-3». Одним словом, возможно самостоятельно подобрать такую персональную систему критериев, при которой ожидаемая точность вкусовых совпадений и качество рекомендаций будут высокими. Главное, чтобы круг экспертов-советчиков составляли только те, чьи приоритеты соответствуют запросу. В этом изюминка системы: на выходе генерируются не средние безликие оценки, а персональные рекомендации, которые компьютер автоматически выдает на основе сходства суждений конкретного пользователя и других людей. Тем самым моделируется привычная всем ситуация: человек прислушивается к мнению тех, чьи вкусы ему знакомы. Более-менее понятно, почему ближнему окружению понравилась/не понравилась та или иная вещь, и легко решить, следовать их рекомендациям или нет. Описанная технология, по сути, искусственно формирует «ближние круги». А поскольку предположение о близости вкусов основывается на фактическом сходстве оценок, надежность рекомендаций получается высокой. Данная идея, по сути, представляет собой автоматизированный вариант «людской молвы». Очной коммуникации не требуется, поэтому издержки минимальны.

1.3.1.2. Что рекомендателям следует оценивать в музыке?

Для производства такого рода рекомендаций требуется база потребительских оценок. Очевидно, что наиболее удобна численная/балльная система кодирования оценок. Но каким образом баллы должны характеризовать музыку? Как ни странно, они вообще не должны ее объективно характеризовать. Потребительские оценки должны отражать исключительно личное впечатление. Ни в коем случае речь не идет об искусствоведческой оценке или профессиональной экспертизе. Любители на нее не способны. Фокус в том, что для решения данной задачи вообще не требуются суждения об «истинном» качестве продукта. Интересуют только индивидуальные ощущения. Они зависят от многого: вкуса, художественной компетентности, общекультурного уровня, настроения и установок, антуража, социального окружения, влияния друзей и, разумеется, от музыки. Разложить все это по полкам практически невозможно, зато каждый может сказать, пришлась та или иная мелодия ему по душе или нет. То, в какой мере впечатление связано именно с музыкой, а не с привходящими обстоятельствами – не имеет никакого значения. Мелодия создает (или не создает) некие желанные состояния – именно в этом ключе ее и следует оценивать в рамках рекомендательной системы. Важно одно: слушатель достоверно знает, понравилась ему музыка или нет, а если формулировать точнее, понравился ли он сам себе в присутствии этой музыки. Именно он и только он – наилучший детектор «для-себя ценности». Оцениваться должно не произведение искусства как таковое (это компетенция искусствоведов), а порождаемые им субъективные эффекты – вот в чем потребитель культуры априори компетентен. Такая оценка субъективна, но в том-то и вся соль: для пользы дела она и должна быть субъективной.

Чьи оценки подлежат сбору? Да всех добровольцев без исключения. Система не нуждается в искусственно набранных референтных группах.

1.3.2. Изобретение, которого не было

1.3.2.1. Коллаборативная фильтрация – фундаментальное решение проблемы навигации

Подобный подход к проблеме выбора может показаться фантастическим, но это не так. Он не только не нов, но применяется на практике более десяти лет. Прототип механизма потребительской селекции был создан в 1992 году. Идея автоматически вычленять вкусовые сообщества и предоставлять их членам возможность обмениваться суждениями была предложена Дейвом Голдбергом (Dave Goldberg) и его коллегами из исследовательского центра Xerox PARC в Пало-Альто, Калифорния. Именно они ввели термин «коллаборативная фильтрация»[127].

В последующие годы первоначальную «сырую» идею коллаборативной (кооперативной) фильтрации довели до ума и сегодня рекомендации даются исходя из сходства предпочтений человека и других пользователей. Для этого клиенту нужно оценить несколько объектов, на основании чего вырисовывается его персональный профиль. В соответствии с ним подбираются советчики, затем их мнения о произведениях, еще не знакомых клиенту, доводятся до его сведения. Эта изящная схема начала активно разрабатываться с 1994 года[128], однако ее судьба оказалась тернистой. В методе изначально присутствовала одна недоработка, которая со временем привела к проблемам. В чем была эта загвоздка и как ее устранить, изложено ниже, после анализа первого опыта внедрения коллаборативной фильтрации.