Рекомендательные алгоритмы и подписочные модели – два способа предоставления пользователям персонализированной информации и контента.
Чтобы не потеряться и не утонуть в океане информации, надо понимать, как в нём устроено "судоходство", и с помощью чего в нём можно точнее "ориентироваться". От того, какой поток доставки информации мы выбираем, зависит успешность нашего продвижения к целям и количество затраченных на это усилий.
Двенадцать лет назад, в московских электричках, постоянно видел эту женщину, и каждый раз становилось её очень жалко. Она постепенно продвигалась по проходу, предлагала журналы, кроссворды, брошюрки и книжки на любой вкус. Это разнообразие предложений давалось ей очень тяжело. В буквальном смысле. Особенно впечатляли её тяжеленные, туго набитые изданиями сумки – много-много раз зашитые, штопаные, и обмотанные для прочности скотчем. И всё ради того, чтобы удовлетворить всевозможные вкусы. Непростое это дело – угодить разным людям в их информационных запросах.
С развитием интернета и социальных сетей, появились рекомендательные алгоритмы, которые основываются на анализе предпочтений пользователя и предлагают ему рекомендации, сходные с его предыдущими выборами. Эти системы стали играть всё более важную роль в предоставлении персонализированных рекомендаций. Такие алгоритмы используют сервисы от Netflix, YouTube, Amazon и Spotify – для подбора фильмов, музыки и книг, которые соответствуют предпочтениям пользователя.
С другой стороны, существуют так называемые подписочные модели, в которых контент и услуги регулярно доставляются через ежемесячную или ежегодную подписку – пользователи получают то, что соответствует их интересам. Подписочные модели применяют те же Spotify и Netflix, Apple Music, и хорошо известный нам Дзен, а так же электронные издания журналов и газет.
Разницу между рекомендательной и подписочной моделями можно сравнить с выбором фильма в кинотеатре или на онлайн-платформе. В первом случае ты выбираешь фильм на основе своих предпочтений и опыта, ориентируешься на рейтинги и обзоры, на "сарафанные" отзывы других зрителей. Во втором случае ты оформляешь подписку на фильмы, которые соответствуют твоим интересам, и получаешь доступ к определённым категориям контента, таким как драмы, комедии или боевики.
Примерно такая же разница проявляется при выборе ресторана. Рекомендательные алгоритмы вроде персонального повара, который на основе твоих предпочтений готовит блюда, которые, по его мнению, должны тебе понравиться. В то же время подписочные модели можно сравнить с абонементом на комплексные обеды в ресторане, где тебе предлагают стандартные наборы блюд.
Плюсы, минусы, нюансы
Рекомендательные алгоритмы хороши тем, что позволяют пользователю получить информацию, соответствующую его предыдущим выборам. Это позволяет быстро находить тот контент, который нужен. Кроме того, эти алгоритмы могут быть настроены на предоставление рекомендаций, соответствующих определенным критериям, таким как возраст, пол или географическое местоположение.
Недостаток рекомендательных алгоритмов иногда проявляется в том, что они не всегда точны. Они не умеют "додумывать", во всяком случае, пока. Если пользователь не выбирал какой-либо фильм или книгу, алгоритм не может предоставить рекомендации на основе этого выбора. И, если потребитель активно не пользуется сервисом, то получает не очень качественные рекомендации.
Подписочные модели, с другой стороны, обеспечивают пользователям стабильные поставки контента, соответствующего их интересам – новости, фильмы, музыка и т.д. Предоставляется доступ к большому количеству контента, подобранного по темам, без надобности выбирать между различными категориями.
У подписочных моделей свои недостатки: с одной стороны, относительная ограниченность выбора контента, а с другой стороны перегруженность пользователей однотипным контентом, особенно если они подписываются на слишком много категорий. Кроме того, подписка на контент может быть дорогостоящей, особенно для пользователей, которые не пользуются сервисом регулярно.
К счастью, возможность выбора у нас есть всегда. Иногда это сделать достаточно легко. Скажем, в Дзене реализована возможность пользователям переключаться между лентой рекомендаций и своими подписками.
Чтобы правильно "питаться", надо в себе разобраться
Начиная с 1970-х годов, исследователи изучали способы использования математических методов для анализа данных о предпочтениях пользователей. В 1990-х годах внедрили первые алгоритмы, такие как Item-Based Collaborative Filtering, ставшие основой для создания рекомендательных систем.
Мы порядком избалованы свалившимся на нас многообразием информации. А алгоритмы давно учатся понимать наши капризы, чтобы беззвучно нам предлагать – "Чего изволите?"
Теперь системы искусственного интеллекта порой срабатывают как подсознание, они рекомендуют нам нечто ещё до того, как мы сформировали и осознали своё желание. Куда нас могут завести такие выборы, совершённые без достаточной осознанности?
Учёные признают, что недостатки рекомендательных алгоритмов порой проявляются в ограниченном разнообразии предложений и склонности создавать "пузыри" интересов.
"Кастомизация контента" приводит к тому, что каждый получает что-то своё особенное и именно так, как он любит. Каждый из нас получает свой персональный мир, со своими уникальными свойствами. У каждого потребителя контента свой информационный "пузырек", своя персональная вселенная, свойства которой определяются индивидуальными предпочтениями и персональной историей.
У каждого из нас сформирован свой сетевой "мирок". И в обычной, немедийной, реальности, многие из нас склонны "зацикливаться" на чём-то своем. А теперь вся мощь новых технологий способствует формированию индивидуальных миров у каждого из нас. Пользователю предлагают то, в чем он обычно заинтересован, а интерес и привычку у него вызывает именно то, что ему обычно предлагают – получается замкнутый круг.
Видимо, не помешает, хоть изредка, искать контент по-старинке – самому, используя подписки. И думать почаще о том, чего действительно хочешь и к чему реально хотелось бы продвинуться.