211service.com
Datorzinātnieki izmanto sociālos tīklus, lai izveidotu jaunu ieteikumu sistēmu
Ieteikumu sistēmas ir kļuvušas par svarīgu spēku tiešsaistes tirdzniecībā. Vietnēs, piemēram, Amazon un Netflix, ir milzīgas datu bāzes, kas reģistrē katra lietotāja pirkumus un preferences. Tas ļauj šiem uzņēmumiem saskaņot lietotājus ar līdzīgām interesēm un vēlmēm.
Kad vietni apmeklē konkrēts lietotājs, ieteikumu sistēma izmanto šo informāciju, lai ieteiktu produktus, kas patīk arī citiem ar līdzīgām preferencēm. Tas ir process, ko sauc par sadarbības filtrēšanu, un lielākā daļa komerciālo ieteikumu sistēmu paļaujas uz to.
Tomēr ir vēl viens veids, kā sniegt ieteikumus, kam ir pievērsta mazāk uzmanības, saka Šans Šans no Prinstonas universitātes Ņūdžersijā un daži draugi.
Šie puiši norāda, ka ir daudz pierādījumu tam, ka preferences ir lipīgas. Tas nozīmē, ka tie var plūst caur sociālajiem tīkliem tādā pašā veidā, kā izplatās epidēmijas.
Tāpēc alternatīvs veids, kā sniegt ieteikumus, ir aplūkot indivīda sociālā tīkla struktūru un paredzēt, kā noteiktas preferences tajā izplatīsies.
Agrāk faktors, kas ierobežoja šāda veida prognozēšanas panākumus, bija detalizētas zināšanas par tīkla struktūru. Taču tas viss pēdējos gados ir mainījies līdz ar tiešsaistes sociālo tīklu milzīgo popularitāti. Tagad ir viegli redzēt, kā indivīdi ir saistīti.
Šanga un līdzbiedru pamatpieņēmums ir tāds, ka, ja Ādamam patīk kāda filma, šī izvēle ar zināmu varbūtību izplatīsies uz viņa tuvākajiem kaimiņiem sociālajā tīklā — viņa draugiem. Ja pietiekami daudz cilvēku izmanto šo izvēli, tā var izplatīties tīklā kā gripa.
Tāpēc viens no veidiem, kā paredzēt, ka Ievai patiks šī filma, ir redzēt, cik tuva viņa ir Ādamam un cik liela iespēja, ka šī priekšroka viņu sasniegs. Ja Ādams un Ieva ir tuvi draugi, tā var būt salīdzinoši liela varbūtība.
Tā ir interesanta ideja, bet skābes tests būs, vai tas darbojas praksē. Viens svarīgs jautājums ir, cik tas būs komerciāli noderīgs. Sociālās izplatības modelis varētu būt prognozējošs, bet vai tas ietekmēs pirkšanas lēmumus praksē? Vai Ievu tikpat labi ietekmēs ieteikuma sistēma, cik viņas drauga Ādama mutiski izplatītais viedoklis?
Shang un co nezina, bet viņi plāno to noskaidrot, izmantojot datus no Yelp.com, kas nodrošina lietotāju vērtējumus par restorāniem, spa utt. Ja tas darbosies, es esmu pārliecināts, ka mēs no viņiem vēl dzirdēsim.
Atsauce: arxiv.org/abs/1208.0782 : Pūļa gudrība: sociālās ietekmes iekļaušana ieteikumu modeļos