РОЦИТ и АКАДО установили на своих ресурсах рекомендательный функционал

РОЦИТ запустил сервис накануне РИФ+КИБ, чтобы улучшить навигацию пользователей на ресурсе rocID, куда выкладывается все материалы конференции.

АКАДО внедрило сервис, решая задачу персонализации телевизионного контента.

Сам рекомендательный функционал предоставлен Имхонетом.

Цель внедрения рекомендательного сервиса – довести до каждого конкретного человека то, что подходит лично ему. Общепринятые средства поиска помогают лишь отчасти. Рекомендательный функционал дополняет стандартные способы поиска контента (по каталогу, тегам, названию, многоуровневой рубрикации…), позволяя выстроить оптимальную систему навигации для пользователей.

Рекомендательный функционал внедрен в Единой Сети Рунетчиков rocID и Телегиде АКАДО и в рамках партнерской программы Имхонета, позволяющей экспортировать рекомендательный сервис на другие ресурсы, а также оценивать и выдавать прогноз по различным видам контента. При этом рекомендательный сервис адаптировался в соответствии с потребностями каждого ресурса.

Артем Лебедев, руководитель партнерской программы Имхонета:

На Телегиде АКАДО ранее была принята пятибалльная шкала оценивания, отличная от десятибалльной имхонетовской, – поскольку абоненты АКАДО к ней привыкли, наша шкала была видоизменена. Точность рекомендаций при этом сохранилась. Кроме того в случае с АКАДО Имхонет смог решить проблему холодного старта. И у одного, и у другого ресурса есть разделы фильмов и телепередач, что позволило с самого начала для расчета рекомендаций использовать базу оценок, накопленную Имхонетом (а это более 5 750 000 оценок). Плюс Имхонет перешел на телепрограмму АКАДО – так что это в полном смысле партнерский проект, обоюдовыгодный обоим ресурсам.

Сергей Гребенников, заместитель исполнительного директора Регионального Общественного Центра Интернет-технологий:

В сети rocID, Единой Сети Рунетчиков, рекомендательный функционал позволяет оценивать персон IT-рынка и контент (секции конференций, презентации, доклады, видео и аудио с мероприятий, материалы семинаров и т.д.). Получить прогноз пока нельзя – ни у Имхонета, ни на rocID нет базы оценок по данному контенту. Поэтому мы просим всех членов профессионального коммьюнити активнее ставить оценки – это позволит быстрее преодолеть этап холодного старта и пользоваться рекомендательным функционалом в полном объеме. Хотя уже сейчас можно посмотреть рейтинг IT-персон.

Дмитрий Захаров, руководитель пресс-службы “АКАДО-Столица”:

Благодаря интеграции рекомендательного функционала Имхонета, каждый наш абонент получает на Телегиде АКАДО персональные рекомендации ближайших по расписанию фильмов и передач. Эти рекомендации основаны на индивидуальных предпочтениях пользователя, а так же на оценках огромной совокупной аудитории Имхонета и Телегида.

Александр Долгин, управляющий рекомендательным сервисом Имхонет:

В последнее время господствует концепция четырех «В» – все, всем, всегда, везде: любой товар, по любому запросу, в любой момент, в любой точке. Объем контента растет лавинообразно. Тем актуальнее становится вопрос: «Что из этого многообразия выбрать? На него и дают ответ коллаборативные рекомендательные сервисы.

Рекомендательные сервисы относятся к числу быстрорастущих трендов по всему миру. Причина в том, что для пользователей они на порядок улучшают навигацию, а владельцам и разработчикам ресурса дают вполне осязаемые экономические эффекты: увеличивается число просмотров страниц и удержание аудитории, растут продажи… Чтобы рекомендательный сервис работал корректно, есть важное условие – он целиком должен быть на стороне пользователя, клиента. Поскольку Имхонет рассчитывает рекомендации для партнеров своим движком, оставаясь независимым и равноудаленным от партнеров – конфликт интересов отсутствует. При этом объеденная база оценок увеличивается ускоренными темпами, что приводит к повышению точности рекомендаций. Так что выигрывают все стороны.

Досье:

В основе рекомендательного сервиса Имхонета, установленного на АКАДО и rocID лежит метод коллаборативной фильтрации (от англ. collaboration – «сотрудничество»).

Рекомендации рассчитываются следующим образом:

Пользователи оценивают разные объекты (фильмы, передачи, доклады, аудио- и видеоматериалы…). На основе выставленных оценок программа строит профиль предпочтений каждого человека (фактически изучает его вкус). Сравнивает «вкусовые слепки» разных пользователей и подбирает круги единомышленников (людей с близкими вкусами и предпочтениями). Далее, исходя из оценок единомышленников, рассчитывается персональный прогноз. Этот принцип напоминает механизм людской молвы, только автоматизированный.

Схематично это выглядит так: предположим, два пользователя оценили полсотни фильмов – по 40 из них оценки оказались близки. Есть основания полагать, что мнение каждого из этих людей информативно для его визави. Теперь, если один из них первым посмотрит 51-ю ленту – на основании выставленной им оценки система сможет рассчитать прогноз для второго пользователя.