Să începem prin a defini ce sunt sistemele de recomandare. Acestea sunt programe și servicii care încearcă să determine ce doresc utilizatorii să vadă și să le ofere acestora (sau să le recomande, de unde și numele). Probabil că fiecare dintre noi a întâlnit tehnici similare pe diverse site-uri. Astăzi vom descrie tipurile și principiile de funcționare ale unor astfel de programe și vom oferi, de asemenea, exemple ale acestor algoritmi în acțiune. Citiți până la sfârșit, va fi interesant!

Mai sus am descris ce sunt sistemele de recomandare, acum vă vom spune mai detaliat despre importanța acestora. Aceste programe au îmbunătățit modul în care site-ul și vizitatorul interacționează deoarece în loc să ofere informații statice, utilizatorul primește o experiență interactivă.

Recomandările sunt generate separat pentru fiecare persoană, pe baza acțiunilor sale anterioare pe o anumită resursă web sau pe baza activității anterioare. În plus, contează și comportamentul participanților anteriori la proces.

Pentru magazinele online asta este practic functie importanta, iar pentru cataloage mari precum Amazon, aceasta este una dintre puținele moduri de a funcționa bine. Metoda de recomandare în acest caz nu este o opțiune suplimentară obișnuită, aceasta oferă ușurință în navigarea utilizatorului prin resursa web. Dacă catalogul electronic conține peste 20.000 de nume de produse, orientarea pare deja prohibitiv de dificilă, ce putem spune dacă există milioane de produse?

Ce obositor potențial cumpărător interacțiune cu un site similar? Răspunsul este evident. Iar un widget pentru căutarea unor produse similare vizual cu cel pe care îl căutați, sau aparținând aceluiași grup de produse, sau produse complementare (când vi se oferă să alegeți o geantă pentru o pereche de pantofi, de exemplu) spre salvare. Această soluție nu numai că crește numărul de vizualizări, ci are un efect pozitiv asupra conversiei.

După cum arată practica, nu numai magazinele online folosesc această tehnică. Rețelele sociale nu sunt nici ele în urmă. Mai jos este un exemplu de la VKontakte.

De asemenea, tehnici similare pot fi observate cu ușurință în diferite platforme sociale, portaluri dedicate literaturii, călătoriilor, pe resurse de știri, în magazine online, într-un cuvânt - aproape peste tot. Această tehnică este într-adevăr foarte populară. Resursa web Kinopoisk este un alt exemplu accesibil.

Tehnici

Deci, primul tip este colectarea explicită de date. După cum puteți ghici din nume, utilizatorul însuși furnizează materialele necesare lucrării. De exemplu, atunci când sistemele de recomandare ale Yandex sau ale altor motoare de căutare cer unei persoane să evalueze diferite elemente, să facă o listă de favorite într-o anumită zonă sau să răspundă la mai multe întrebări. Dacă o persoană refuză să ofere informații pe cont propriu, următoarea tehnică va fi relevantă.

Al doilea tip este colectarea implicită a datelor. Relativ vorbind, aceasta este o misiune de spionaj, conform căreia acțiunile unui participant la proces sunt înregistrate de un program pentru procesare și aplicare ulterioară. De ce ai nevoie pentru asta? Programul recunoaște achizițiile, evaluările de pe site-uri, colectează informații despre vizualizări și comentarii. Desigur, alegerea unei astfel de tehnici presupune unele probleme etice, deoarece protecția datelor cu caracter personal este una dintre principalele cerințe pe care utilizatorul le plasează pe motoarele de căutare. Dar, deocamdată, rămâne faptul că un fel de supraveghere este posibilă, iar vizitatorii obișnuiți ai site-ului web nu pot verifica dacă astfel de evenimente au loc cu adevărat.

Prima tehnică de bază se numește filtrare colaborativă. Recomandările folosind această tehnică se fac pe baza caracteristicilor comportamentale ale unei persoane sau ale unui grup de persoane, acesta din urmă fiind și mai eficient. Grupurile adună oameni care se aseamănă între ei ca comportament și caracteristici.

Să dăm un exemplu pentru a face informațiile mai ușor de înțeles. Se creează un site web unde lucrările muzicale vor fi recomandate publicului. Cum vor funcționa serviciile de recomandare bazate pe metodologia colaborativă în acest caz? Conform acestui principiu: o comunitate va fi luată ca bază, unde participanții adaugă melodii de același gen la lista de redare. În continuare, cele mai populare dintre toate piesele muzicale sunt determinate și recomandate unui utilizator din grup care nu a ascultat încă această melodie.

A doua abordare se numește filtrare bazată pe conținut. Aici recomandarea se formează pe baza comportamentului uman. Această abordare poate lua, de asemenea, ca bază istoricul de navigare al unui anumit participant.

De data aceasta vom da un exemplu cu reviste tematice online. Deci, în cazul în care o persoană a citit anterior conținut despre ciclism montan și comentează în mod regulat articole de blog cu astfel de conținut, atunci metoda de filtrare a conținutului va folosi aceste informații din trecut pentru a identifica resurse similare și i le va sugera ca recomandare pentru acel utilizator. .

Există, de asemenea, abordări mixte, conform cărora se realizează dezvoltarea unui sistem de recomandare.

O abordare combinată este o combinație de filtrare colaborativă și de conținut. După cum știm, mai mult este mai bine, așa că amestecarea acestor două tehnici crește eficiența sistemelor de recomandare, și anume, crește semnificativ acuratețea predicțiilor pentru anumite persoane.

Algoritmi

corelația Pearson

Acest algoritm vă permite să selectați caracteristici generaleîntre mai mulți utilizatori. Cum? Folosind matematica simplă, și anume, determinarea relației liniare dintre două elemente. Punct important- această tehnică nu este potrivită pentru o comunitate de oameni.

Clustering

Acest principiu de funcționare al sistemelor de recomandare se bazează pe identificarea asemănărilor dintre elemente (utilizatori) prin calcularea apropierii acestora între ele în așa-numitul spațiu de caracteristici. Semnele sunt acele elemente asupra cărora converg interesele anumitor participanți la proces (pentru resursele muzicale acestea sunt piese, pentru portalurile de filme - filme). Utilizatorii cu caracteristici similare sunt combinați în așa-numitele clustere.

Algoritm de filtrare colaborativă

Hard clustering poate fi înlocuit cu un alt algoritm, care funcționează după o formulă destul de complexă și, la fel ca toate precedentele, se bazează pe comportamentul utilizatorilor din grupul său. Cu toate acestea, această tehnică are câteva dezavantaje destul de semnificative. În primul rând, este dificil pentru utilizatorii noi sau atipici (cei care nu formează grupuri) să găsească recomandări. În al doilea rând, așa-numita „pornire la rece”, când obiectele noi nu intră în sistemele de recomandare.

Algoritm de filtrare a conținutului

Algoritmul este simetric cu cel precedent, dar dacă în primul caz am plecat de la presupunerea că utilizatorului îi va plăcea obiectul pentru că îi place „colegilor de clasă”, atunci aici vom recomanda pe baza unor obiecte similare pe care le-a notat deja se. Și aici, în mod tradițional, pot fi identificate mai multe probleme. Același „pornire la rece” și faptul că recomandările sunt adesea banale.

În loc de o concluzie

Așadar, am oferit toate informațiile pe care un începător sau un simplu profan ar trebui să le cunoască despre sistemele de recomandare. Să fim sinceri, algoritmii sunt oarecum dificili pentru o persoană neinstruită, așa că acest articol nu conține formule matematice, deși algoritmii se bazează pe acestea.

Programele de recomandare sunt servicii utile atât pentru utilizatorii de internet obișnuiți, cât și pentru cercetători și oameni de afaceri online. Cei care doresc să crească conversiile și numărul de vizualizări ar trebui să acorde atenție acestei tehnici și să fie sigur că o implementează pentru a crește eficiența unei resurse web, în ​​special a unui magazin online.

Când sistemele de recomandare abia începeau să fie implementate discret pe diverse resurse, părea o completare plăcută la procesul de căutare personală. Atunci când alegerea produselor sau a oricărui conținut este suficient de mare, căutarea se transformă într-o călătorie captivantă cu rezultate adesea imprevizibile. De exemplu, nu m-au interesat niciodată filmele de groază, preferând filme dintr-o direcție ușor diferită, totuși, datorită scotocirii aleatorii prin conținut, într-o zi am dat peste un clasic Hellraiser, a cărui vizionare ocazională mi-a lăsat o impresie puternică și de neșters. Sunt sigur că fiecare dintre cititori s-a îmbogățit cel puțin o dată în sens cultural sau estetic tocmai datorită unei căutări aleatorii și a unor acțiuni la întâmplare. Pe de altă parte, am descoperit o mulțime de lucruri interesante cu ajutorul recomandărilor pe care mi le oferă resursele tematice. Multe filme, cărți, muzică sau produse mi-au devenit cunoscute (și interesante) doar datorită funcționării cu succes a sistemului de recomandare. Ceea ce este tipic este că acum mă bazez aproape întotdeauna pe recomandări și caut ceva pe cont propriu mult mai rar, pentru că pur și simplu nu mai rămâne timp pentru acestea din urmă!

Această stare de fapt este agravată de faptul că văd în ce măsură algoritmii de recomandare au început să mă înțeleagă. Dacă hit-urile de succes anterior nu se întâmplau atât de des, astăzi măcar o bună jumătate din lucrurile recomandate mă interesează într-o măsură sau alta. Și când încă încerc, în loc să accept apatic ceea ce mi se oferă, să găsesc singur ceva care merită, cedez repede sub presiunea abundenței incredibile, fără precedent. Și cu cât mergi mai departe, cu atât imaginea viitorului nu atât de îndepărtat apare mai clară, când realitatea înconjurătoare se va adapta continuu personalității tale, transformându-se și învățând constant. Niciodată în istoria omenirii confortul nu a fost atât de amenințător de absolut. Și niciodată până acum lacune pentru descoperiri aleatorii incredibile nu au fost retrase din utilizare atât de rapid și categoric.

Acceptând viitorul care vine așa cum este, merită să învățăm să-l evaluăm critic, identificând părțile dubioase sau chiar întunecate cu același zel cu care ne străduim să folosim inovațiile în viața de zi cu zi care ne ușurează lucrurile. Să încercăm să înțelegem subiectul conversației noastre de astăzi.

Metode de filtrare utilizate în sistemele de recomandare

Filtrare colaborativă

Filtrarea colaborativă este utilizată pe scară largă, nu în ultimul rând din cauza relativă ușurință de implementare. Principiul funcționării sale este într-adevăr simplu, deși poate fi împărțit în două abordări diferite.

O abordare bazată pe potrivirea utilizatorilor (cunoscută în mod popular sub numele de utilizator) ține cont de similitudinea unui anumit utilizator cu alți utilizatori implicați în sistem. De exemplu, dacă Vasily le-a evaluat pozitiv pe Lady Gaga, Oasis și Led Zeppelin, atunci Anastasia, care îi iubește pe Lady Gaga și Led Zeppelin, poate încerca să sugereze Oasis.

Conceptul de comparație de obiecte (respectiv bazată pe itemi), dimpotrivă, analizează obiectele în sine și dezvăluie asemănarea lor cu cele pe care Vasily i-au plăcut cândva. În practică, arată așa: lui Vasily i-au plăcut cândva Radiohead și Blur, de ce nu-i oferim și Oasis?

Filtrarea colaborativă vă permite să obțineți recomandări extrem de precise și relevante bazate pe analiza și compararea diferențelor dintre utilizatorii cu comportament similar.

Vasily și Anastasia: recomandări reciproce automate bazate pe diferențe de preferințe.

Filtrarea conținutului

Filtrarea conținutului construiește conexiuni interne între produsele propuse sau orice conținut. Acest principiu simplu se manifestă prin recomandarea utilizatorului de obiecte care sunt similare cu cele pe care le-a selectat anterior. De exemplu, dacă achiziționați un manual despre cântatul la chitară într-o librărie, vi se vor oferi automat alte tutoriale sau manuale populare ale aceluiași autor. Un mare avantaj al sistemelor de recomandare care folosesc principiul filtrarii continutului este capacitatea de a interesa un nou utilizator in oferte literalmente inca de la primii pasi de consumator. Nu trebuie să colectați date despre preferințele unei persoane pentru o perioadă lungă de timp, puteți include imediat vizitatorul în lucrul cu resursa. De asemenea, un avantaj important al filtrării de conținut este capacitatea de a recomanda utilizatorului acele obiecte care nu au fost evaluate și trecute peste de alți utilizatori. Ultimul punct apare adesea atunci când se utilizează o metodă de colaborare.

Filtrarea conținutului ignoră complet opiniile utilizatorilor despre anumite obiecte. Construind conexiuni pur între obiectele în sine, avem posibilitatea de a oferi instantaneu, fără a colecta evaluări și informații personale suplimentare, unei persoane ceva similar cu poziția care o interesează. Excluzând experiența utilizatorului din sistemul de recomandare ca substanță fundamentală, se pare că rezolvăm așa-numita problemă. „pornire la rece”, când raritatea datelor utilizatorilor împiedică sistemul să dezvolte recomandări personalizate. Cu toate acestea, dezavantajul filtrării conținutului este complet nepotrivit și, uneori, recomandări de-a dreptul ridicole precum „Ați cumpărat un Toyota RAV4? S-ar putea să fiți interesat și de Toyota Highlander!”

O altă dificultate asociată cu utilizarea principiului de filtrare a conținutului este cantitatea impresionantă de muncă implicată în construirea conexiunilor între toate obiectele din sistem. Dar principalul dezavantaj al acestei metode este exprimat într-o lovitură foarte scăzută și uneori destul de condiționată asupra țintei. Filtrarea conținutului nu implică un grad ridicat de personalizare, astfel încât acuratețea recomandărilor este relativ scăzută.

Filtrare bazată pe cunoștințe (Cunoştinţe– bazat sisteme)

Sistemele de acest tip sunt utilizate pe scară largă în magazinele online. În esență, recomandările bazate pe cunoștințe sunt similare cu metoda anterioară de filtrare a conținutului, cu toate acestea, astfel de algoritmi folosesc o analiză mai profundă a obiectelor, construind conexiuni între ele nu conform unor criterii banale de similitudine, ci bazate pe interconexiunea anumitor grupuri de bunuri. .

În practică, arată așa - atunci când achiziționați, de exemplu, un smartphone, site-ul vă oferă accesorii potrivite pentru utilizare cu noul dispozitiv. Acestea ar putea fi huse, căști, carduri de memorie și tot așa. Puteți stimula suplimentar cumpărătorul oferind reduceri la accesorii, care pot fi foarte utile în legătură cu achiziționarea unui dispozitiv nou.

Recomandările bazate pe cunoștințe demonstrează rezultate bune, crescând cifra de afaceri a rețelelor mari platforme de tranzacționare cu zeci de procente. În plus, spre deosebire de filtrarea conținutului, acest tip de recomandare este extrem de precisă, sugerând utilizatorului de ce ar putea avea de fapt nevoie.

Dacă sunteți interesat de recomandări exacte, atunci cu siguranță ar trebui să luați în considerare implementarea unui sistem bazat pe cunoștințe pe site-ul dvs. La fel ca filtrarea conținutului, un sistem de recomandare bazat pe cunoștințe studiază și analizează relațiile dintre obiecte (produse), dar, în plus, ia în considerare o serie de opțiuni suplimentare, referitoare la proprietățile individuale ale unui anumit utilizator.

a) Dorința utilizatorului. O situație familiară tuturor – site-ul solicită utilizatorului să indice caracteristicile dorite, după care oferă produse care se potrivesc solicitării.

Yandex.Market și casetele sale de selectare sunt un exemplu de succes și izbitor de sistem de recomandare care este ghidat de cerințele utilizatorului.

b) Caracteristici demografice. De fapt, datele demografice sunt folosite de cele mai mari companii pentru a face recomandări. social media, cum ar fi Facebook, LinkedIn, VKontakte și altele.

Desigur, pentru a implementa un astfel de sistem trebuie să munciți din greu - va trebui să colectați și să procesați o cantitate imensă de date.

Filtrare hibridă

Cel mai puternic și dificil de implementat instrument. Aparent, viitorul constă în combinarea diferitelor mecanisme de recomandare într-un singur algoritm puternic. Acel confort absolut și realitate personalizată despre care vorbeam la începutul articolului se va realiza tocmai cu ajutorul unui hibrid dintre cele mai metode eficiente recomandări.

Un astfel de exemplu este demonstrat de Netflix, al cărui sistem hibrid complex de recomandare, care demonstrează o acuratețe unică, este în permanență îmbunătățit și modernizat. Dezvoltarea unui algoritm atât de puternic se datorează în mare măsură finanțării generoase a cercetării în acest domeniu de către Netflix însuși, care în 2006 a oferit 1.000.000 de dolari pentru a-și îmbunătăți sistemul de recomandare cu 10%.

Echipa de dezvoltare Pragmatic Chaos a BellKor care a reușit să îmbunătățească algoritmulNetflixcu 10,09%.

Câteva cuvinte despre pașii practici ca concluzie

Alegerea unui anumit tip de filtrare sau a unei combinații a mai multor metode depinde direct de doi factori - complexitatea proiectului dumneavoastră și valoarea finanțării acestuia. De exemplu, crearea unui algoritm pentru un sistem de bloguri tematice care se intersectează unele cu altele este o sarcină relativ simplă și moderat costisitoare. Proiecte mai mari și mai eterogene, cum ar fi magazinele online, necesită costuri ridicate, mai ales dacă scopul este de a crește conversia cu cantități cu adevărat semnificative. De regulă, în astfel de proiecte nu este posibil să se limiteze la un singur tip de algoritm de recomandare și este necesar să se utilizeze filtrarea hibridă, în urma căreia costul și complexitatea dezvoltării crește cu ordine de mărime.

Pentru a crea, implementa și depana un algoritm hibrid, veți avea nevoie de o întreagă echipă de dezvoltatori experimentați, care sunt bine conștienți de ce este algebra liniară și relațională și, de asemenea, au o serie de abilități care fac din creatorii algoritmilor de recomandare practic o profesie separată.

Într-un fel sau altul, atunci când se dezvoltă un proiect care oferă utilizatorului posibilitatea de a selecta obiecte specifice dintr-un set general, este necesar să se țină cont de progresul rapid al utilizabilității în absolut toate sferele vieții umane - de la optimizarea somnului cu ajutorul de dispozitive care analizează toate procesele care au loc în somn și emit recomandări pentru îmbunătățirea acestuia, la selecția automată a bunurilor de zi cu zi în funcție de nevoile curente ale utilizatorului. După cum se știe, o condiție indispensabilă pentru succesul oricărei întreprinderi – corespondența sa exactă cu spiritul vremurilor.

Există două strategii principale pentru crearea sistemelor de recomandare: filtrarea conținutului și filtrarea colaborativă.

La filtrarea continutului sunt create profiluri utilizatori și obiecte.

  • Profilurile utilizatorilor pot include informații demografice sau răspunsuri la un anumit set de întrebări.
  • Profilurile obiectelor pot include nume de gen, nume de actor, nume de artiști etc. - in functie de tipul obiectului.

Această abordare este utilizată în proiect Proiectul genomului muzical: Un analist muzical evaluează fiecare melodie în funcție de sute de caracteristici muzicale diferite care pot fi folosite pentru a identifica preferințele muzicale ale unui utilizator.

La filtrare colaborativă sunt folosite informații despre comportamentul utilizatorilor din trecut - de exemplu, informații despre achiziții sau evaluări. În acest caz, nu contează cu ce tipuri de obiecte se lucrează, dar pot fi luate în considerare caracteristici implicite care ar fi greu de luat în considerare la crearea unui profil. Principala problemă a acestui tip de sisteme de recomandare este „pornirea la rece”: lipsa datelor despre utilizatori sau obiecte care au apărut recent în sistem.

Metodologie

Exemple de colectare explicită a datelor

  • solicitarea utilizatorului să evalueze obiectul pe o scară diferențiată;
  • solicitarea utilizatorului să clasifice un grup de obiecte de la cel mai bun la cel mai rău;
  • prezentarea utilizatorului cu două obiecte și întrebarea care este mai bună;
  • o propunere de a crea o listă de obiecte pe care utilizatorul le iubește.

Exemple de colectare implicită a datelor

  • monitorizarea a ceea ce vede utilizatorul în magazinele online sau alte tipuri de baze de date;
  • menținerea înregistrărilor comportamentului online al utilizatorilor;
  • urmărirea conținutului computerului utilizatorului;

Aplicație

Sistemele de recomandare compară date similare de la diferiți oameni și calculează o listă de recomandări pentru un anumit utilizator. Câteva exemple de utilizare comercială și necomercială sunt oferite în articolul despre filtrarea colaborativă. Sistemele de recomandare sunt o alternativă convenabilă la algoritmii de căutare, deoarece vă permit să detectați obiectele care nu pot fi găsite ultimele. Interesant este că sistemele de recomandare folosesc adesea motoarele de căutare pentru a indexa date neobișnuite.

  • Imhonet (filme, literatură, fotografii)
  • Last.fm (muzică)
  • Ozon (cărți, CD-uri etc.)
  • Software Informer (software)
  • Science Fiction Laboratory (site despre science fiction și fantezie)
  • Imdb - filme (site în engleză)
  • Rehelper - filme
  • Advizzer - locuri
  • Mir4 este un sistem experimental capabil să lucreze cu orice conținut, inclusiv cu conținut de scurtă durată. Deocamdată funcționează doar cu știri.

Legături

Note

Literatură

  • Melville P., Mooney R., Nagarajan R. Filtrare colaborativă sporită de conținut pentru recomandări îmbunătățite // Universitatea din Texas, SUA: Lucrările conferinței. / AAAI-02, Austin, TX, SUA, 2002. - 2002. - p. 187-192.

Fundația Wikimedia.

    2010. Ramura ştiinţifică şi activitati practice , unul dintre tipurile de bibliografie (Vezi Bibliografie). Scopul public principal al lui R. b. în URSS şi în alte ţări socialiste pentru a promova generalul şiînvăţământul profesional si autoeducatie...

    Marea Enciclopedie Sovietică

    URL: http://imhonet.ru Comercial: Fără tip Sa ... Wikipedia

    Acest articol este în prezent editat în mod activ de Member:Moshanin. Vă rugăm să nu faceți nicio modificare până când acest anunț nu dispare. În caz contrar, pot apărea conflicte de editare. Aceasta... ... Wikipedia - Se propune redenumirea acestei pagini în Agenția Internațională pentru Energie Atomică. Explicația motivelor și discuția pe pagina Wikipedia: Pentru a redenumi / 24 iulie 2012. Poate că numele său actual nu corespunde standardelor moderne ... Wikipedia BIBLIOGRAFIA LITERATURII PENTRU COPII - o secțiune de bibliografie ale cărei sarcini includ contabilitate și informare despre lucrări tipărite pentru copii și tineri. Aceste informații sunt direcționate în două moduri principale. adrese: adulti (profesori, parinti, educatori, specialisti asociati profesional cu... ...

    Enciclopedia Pedagogică Rusă Economia tarii - (Economia naţională) Economia unei ţări este relații publice să asigure bogăția țării și bunăstarea cetățenilor săi Rolul economiei naționale în viața statului, esența, funcțiile, sectoarele și indicatorii economiei țării, structura țărilor... .. .

    Enciclopedia investitorilor Lichiditate - (Lichiditatea) Lichiditatea reprezintă mobilitatea activelor, asigurând posibilitatea plății neîntrerupte a obligațiilor Caracteristici economice să asigure bogăția țării și bunăstarea cetățenilor săi Rolul economiei naționale în viața statului, esența, funcțiile, sectoarele și indicatorii economiei țării, structura țărilor... .. .

și rata de lichiditate a unei întreprinderi, bănci, piețe, active și investiții ca un important economic... ...

Pe 28 aprilie 2016, am anunțat oficial lansarea primului curs adaptiv pe Stepic.org, care selectează problemele Python în funcție de nivelul studentului. Înainte de aceasta, am implementat și lecții recomandate pe platformă, astfel încât studenții să nu uite ce au finalizat deja și să descopere noi subiecte care i-ar putea interesa.

  • Sub tăietură există două subiecte principale:
  • despre educația online, argumente pro/contra/capcane;

clasificarea sistemelor de recomandare, aplicabilitatea lor în educație, exemple.

Această parte este în mare parte introductivă, care caracterizează educația online, detalii interesante ale sistemelor de recomandare sub imaginea următoare :)

ÎN lumea modernă Educația online devine treptat mai populară. Oportunitatea de a învăța de la profesori de frunte institutii de invatamant, explorează noi domenii, dobândește cunoștințele necesare pentru muncă fără a pleca de acasă, atrage număr mare oameni.

Una dintre cele mai comune forme de învățare online este cursurile online masive deschise (MOOC, Massive Open Online Courses). Cel mai adesea acestea includ videoclipuri, diapozitive și continutul textului, pregătite de profesor, precum și sarcini de testare a cunoștințelor, care sunt de obicei verificate automat, dar este posibil și ca elevii să își verifice reciproc munca. O mare varietate de tipuri de sarcini pot fi oferite ca sarcini: de la simpla alegere a răspunsului corect la scrierea unui eseu și chiar, așa cum avem pe Stepik, programarea sarcinilor cu verificare automată.

Educația online are propriile sale caracteristici care o deosebesc de educația convențională, offline. Printre avantaje, în primul rând, accesibilitatea deja menționată mai sus pentru toți cei care au acces la Internet. În al doilea rând, are o scalabilitate aproape nelimitată: datorită verificării automate a sarcinilor, mii de oameni pot studia simultan în curs, ceea ce nu este comparabil cu cursurile convenționale din sălile de clasă. În al treilea rând, fiecare elev poate alege un timp și un ritm convenabil pentru finalizarea materialului. În al patrulea rând, profesorii au o mulțime de date despre modul în care utilizatorii își finalizează cursurile, pe care le pot folosi pentru a-și analiza și îmbunătăți materialele.

În același timp, învățarea online are și dezavantaje. Spre deosebire de învățământul tradițional, în care studentul este întotdeauna motivat de evaluarea performanței sale academice, în cazul cursurilor online nu există nicio penalizare pentru nerespectarea unui curs. Din această cauză, ponderea celor care au absolvit cursul celor care s-au înscris la acesta rareori depășește 10% (la Stepik nostru, cursul lui Anatoly Karpov „Fundamentals of Statistics” a fost cel mai bun conform EdCrunch Awards 2015; un record de 17% din cei care s-au înscris au trecut de prima lansare, dar aceasta este mai degrabă o excepție). În plus, din cauza numărului mare de elevi, profesorul nu are posibilitatea de a acorda atenție individuală fiecărui elev în funcție de nivelul și capacitățile sale.


Ne-am propus să creăm un sistem de recomandare care ar putea sfătui un student cu privire la conținutul care este interesant pentru el și să țină cont de nivelul său de pregătire și de lacunele în cunoștințe. În plus, sistemul trebuie să fie capabil să evalueze complexitatea conținutului. Acest lucru este necesar, în special, pentru recomandările adaptive care vor ajuta utilizatorul să studieze materialul, adaptându-se flexibil la acesta, oferind exact conținutul de care are nevoie acum pentru învățare. Un astfel de sistem va beneficia utilizatorii cu recomandări personalizate de lecții care îi pot ajuta să învețe un anumit subiect sau să ofere ceva nou.

În general, învățarea ar fi trebuit să devină și mai interesantă!

Unul dintre primele exemple de sistem modern de recomandare este movielens.org, care sugerează filme utilizatorilor în funcție de preferințele acestora. Acest serviciu este interesant deoarece oferă tuturor un set extins de date despre filme și evaluări acordate de utilizatori. Acest set de date a fost folosit într-o mulțime de cercetări în domeniul sistemelor de recomandare în ultimele două decenii.

  • Sisteme bazate pe filtrarea conținutului. Astfel de sisteme oferă utilizatorilor conținut similar cu ceea ce au studiat anterior. Asemănarea este calculată folosind caracteristicile obiectelor comparate. De exemplu, afinitatea de gen sau distribuția poate fi folosită pentru a recomanda filme. Această abordare este utilizată în serviciul de evaluare, căutare și recomandare de filme Internet Movie Database.
  • Sisteme care utilizează filtrarea colaborativă. În acest caz, utilizatorului i se oferă conținut care este de interes pentru utilizatori similari. Recomandările serviciului MovieLens se bazează tocmai pe această abordare.
  • Sisteme hibride care combină cele două abordări anterioare. Acest tip de sistem este folosit în Netflix, un serviciu de vizionare online de filme și seriale TV.

Am creat un sistem hibrid cu o utilizare mai activă a filtrării de conținut și o utilizare mai puțin activă a filtrării colaborative.

Există o mulțime de cercetări privind sistemele de recomandare pentru învățarea îmbunătățită prin tehnologie. Specificul sarcinii în acest caz adaugă noi direcții pentru dezvoltarea sistemului de recomandare.


Care sunt caracteristicile sistemului de recomandare al unui proiect educațional?

În primul rând, este posibil să construim un sistem de recomandare adaptiv care să se adapteze nevoilor utilizatorului la un moment dat și să îi ofere cele mai bune modalități de a studia materialul. În acest format, pot fi implementate diverse simulatoare, de exemplu, în matematică sau oarecare limbaj de programare, conținând multe sarcini de complexitate diferită, dintre care diferite vor fi potrivite pentru diferiți studenți la un moment dat.

În al doilea rând, este posibilă extragerea dependențelor dintre materialele de instruire din datele despre modul în care utilizatorii le completează.

Aceste date pot ajuta la extragerea subiectelor individuale din materiale, a conexiunilor dintre aceste subiecte și a relațiilor lor în complexitate.

Coursera, EdX, Udacity (platforme de învățare online) își folosesc sistemele de recomandare pentru a recomanda cursuri utilizatorilor care pot fi de interes pentru aceștia. Dezavantajul acestor recomandări este că pot oferi doar întregul curs, dar nu o parte din acesta, chiar dacă utilizatorul este interesat doar de acea parte. De asemenea, un sistem astfel construit nu poate ajuta utilizatorul să studieze cursul pe care l-a ales.

Sistemul de recomandare a resurselor MathsGarden, dimpotrivă, funcționează cu cele mai mici bucăți de conținut - sarcini individuale. Este un simulator de aritmetică elementară pentru elevi școală primară, care oferă elevului sarcini care i se potrivesc optim la un moment dat din punct de vedere al complexității.
Pentru a face acest lucru, sistemul calculează și modifică dinamic caracteristica relativă a cunoștințelor elevului, precum și caracteristica complexității sarcinilor, dar mai multe despre aceasta mai târziu.

În articolele următoare, vom vorbi mai detaliat despre dispozitivul Stepic.org și implementarea sistemului de recomandare, vom defini ce este un sistem de recomandare adaptiv și vom analiza în detaliu rezultatele obținute. Va fi distractiv :)