Пресс-релиз: 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 и т.д.), 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.