Книга Экономика символического обмена - Александр Долгин

Первоначально рейтинг состоял из четырех ступеней: G, M, R, X (позже M заменили на PG). Две первые позиции разрешали доступ всем, М только предостерегала родителей, что фильм может не подойти младшему возрасту. Третья, R, позволяла детям смотреть ленту в сопровождении взрослых, а последняя, X – была противопоказана детям всех возрастов[316]. Со временем категорию X приравняли к порнографии и запретили во многих штатах. Фильмы с рейтингом G считались дет­скими и выпускались редко; большинство лент выходило в категориях PG и R. В результате первоначальная четырехступенчатая система за малыми исключениями свелась к двухступенчатой. В попытке расширить возможности системы в 1984 г. в рейтинг была введена новая позиция – PG-13, средняя между PG и R. Позже была добавлена категория NC-17. Ее ввели как альтернативу X: планировалось, что эта литера будет обозначать арт-хаусные фильмы, в то время как порнографические ленты по-прежнему будут идти под знаком X. Однако вскоре продюсеры порнофильмов начали выставлять свои работы на рейтинг в качестве арт-хаус-фильмов. Таким образом, NC-17 по существу заменила категорию X. На данный момент картин с рейтингом R производится больше, чем любых других типов, а самый успешный фильм года почти всегда относится к разряду PG-13. Вместо того чтобы выполнять роль нейтрального классификатора, PG-13 стал влиять на тип выпускаемого кино. В 1996 году фильмы с рейтингом PG-13 составили 18,9% от общего количества всех созданных фильмов и в то же время заработали 34,1% сборов кинопроката. Затем PG-13 перевели в категорию фильмов для семейного просмотра. Так кинокомпаниям удалось ввести в ленты больше остроты, секса и насилия, не жертвуя конкурентоспособностью. Продюсеры заранее прикидывают, какая категория им нужна, и снимают картину так, чтобы она встраивалась в определенные рамки. А совсем недавно задача охранения нравственности в кино получила эффектное техническое решение. Появилась специальная программа, позволяющая зрителю при просмотре картин на DVD самостоятельно делать в них купюры, адаптируя для семейного просмотра.

Значение рейтингов для экономики колоссально и однозначно положительно. Благодаря им бизнес обрел почву под ногами: столь необходимая ему обратная связь предложения со спросом установилась наилучшим из всех возможных способом, поскольку ранжирование не порождает для предпринимателей никаких отрицательных внешних эффектов. Для культуры же значение рейтингов неоднозначно. Ей как воздух необходима обратная связь, но более содержательная. Создавая иллюзию потребительской рефлексии, рейтинги скорее сбивают культуру с правильного пути, нежели указывают на него. Они в минимальной степени служат культурной навигации, скорее – это буйки на пути ухудшающего отбора, обозначающие фарватер.

Глава 2.7. Обзор рекомендательных систем[317]

В самом общем виде рекомендация – это прогнозирование оценки до того момента, как человек сам опробовал объект. Прогноз составляется на основе анализа предшествующих предпочтений покупателя или любой другой информации о нем[318]. Услуга состоит в следующем: из всего разнообразия книг, CD, фильмов, ресторанов и т. п. для конкретного потребителя выбирается продукт с наивысшей ожидаемой полезностью[319].

На каждого клиента рекомендательной системы[320] составляется индивидуальный профиль, в котором учитываются его потребительские предпочтения, а также (при необходимости) возраст, пол, доход, семейное положение и т. д. Точно так же по определенным правилам описываются и товары. Например, в сервисе по фильмам каждая картина может быть представлена названием ленты, жанром, режиссером, годом выпуска, главными актерами и т. д. Первоначально в базу заносятся оценки потребителей, выставленные уже известным им товарам. Например, в системе MovieLens[321] пользователи начинают с того, что проставляют баллы определенному количеству фильмов, которые они уже посмотрели. Системы способны выдавать рекомендации либо в виде перечня товаров наиболее подходящих данному потребителю, либо в виде списка потребителей, для которых предпочтительны определенные продукты (как подчеркивалось в первой главе, это различие на практике оказывается принципиальным). Рекомендации могут генерироваться тремя способами:

1. Контентным: человеку рекомендуют товары, сходные с теми, которые он выбрал ранее.

2. Методом коллаборативной фильтрации: потребителю рекомендуют товары, которые вычисляются по оценкам людей со схожими вкусами, уже опробовавших данный продукт и поделившихся своими суждениями.

3. Гибридным методом, сочетающим в себе два предыдущих.

Кроме перечисленных существуют вспомогательные системы (кратко упоминаются ниже), а также системы социальной навигации, которые не являются рекомендательными и здесь не рассматриваются. В последнем случае предпочтения людей выявляют на основании прямых и косвенных данных: интернет-сообщений, историй пользования системой, гиперссылок и т. д. Они визуализируют взаимодействие человека с компьютером и помогают путешествующим по сети[322].

2.7.1. Контентные методы выработки рекомендаций

В рекомендательных системах контентного типа полезность товара выводится из потребительской оценки сходных продуктов. Например, для того чтобы посоветовать человеку фильмы, контентная система пытается найти сходство между различными картинами, которые прежде получили у него высокую оценку (одни и те же актеры, режиссеры, жанры и т. д.). Подобные рекомендации основаны на принципе «найдите для меня вещи, подобные тем, что мне нравились в прошлом». В основе контентой рекомендательной системы лежат методы поиска информации[323], ее сопоставления и фильтрации[324]. Этот подход чаще всего используют для текстов – документов, веб-сайтов, блогов и т. п. Профиль предпочтений клиента формируется на основе информации, которую получают от него либо напрямую, анкетированием, либо косвенно. Контент обычно описывается при помощи ключевых слов[325]. Профиль потребителя, указывающий на его предпочтения, создается путем выявления ключевых слов в контенте, которому данный человек ранее уже вынес оценку. Профиль потребителя и профиль контента могут быть представлены как векторы, а полезность данного контента для данного потребителя определяется величиной угла между ними[326]. В частности, человеку, интересующемуся определенной темой, будут рекомендованы статьи, в которых использовано много терминов (ключевых слов) из его пользовательского профиля.