Сколтех придумал рекомендательную систему, учитывающую негативные отклики пользователей
МОСКВА, 25 июля. /ТАСС/. Ученые из Сколтеха предложили модель для построения рекомендаций, чувствительных как к позитивным, так и негативным откликам пользователей, сообщает научно-популярный портал "Чердак" со ссылкой на пресс-службу Сколтеха. Конференция ACM RecSys 2016, на которой ученые выступят с докладом по своей работе, пройдет в Бостоне в сентябре 2016 года. Препринт доклада размещен в базе научных публикаций Arxiv. "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. Пользователь может начать с любого фильма/книги/аудио трека (понравившегося или же непонравившегося), а система будет подбирать интересные рекомендации, улучшая их качество по мере увеличения количества известных пользовательских предпочтений", - приводит пресс-служба слова одного из разработчиков, Евгения Фролова. Рекомендательные системы - это системы подбора контента для пользователя на основе его предпочтений. В наши дни с рекомендательными системами сталкивается каждый интернет-пользователь, например, когда сайт интернет-магазина по продаже книг предлагает список рекомендованной литературы, составленный на основе прежних заказов пользователя. 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 генерироваться для любых товаров, услуг или сервисов. Рекомендательные системы помогают человеку принять решение, какой фильм посмотреть вечером, какую книгу прочесть следующей или даже какой отель выбрать в отпуске. По словам разработчиков, большинство современных алгоритмов практически нечувствительны к негативным отзывам и могут выдавать не подходящие конкретному пользователю рекомендации, но модель, предложенная учеными, работает с любыми типами пользовательских предпочтений. Предложенная модель может найти свое применение в крупных интернет-сервисах по продаже товаров и услуг или, например, у поставщиков потокового медиа-контента.