Kui soovitussüsteeme hakati erinevatel ressurssidel märkamatult rakendama, tundus see eneseotsingu protsessile kena täiendus. Kui toodete valik või mis tahes sisu on piisavalt suur, muutub otsing põnevaks teekonnaks, mille tulemused on sageli ettearvamatud. Näiteks õudusfilmid ei huvitanud mind kunagi, eelistasin veidi teise suunaga filme, kuid tänu juhuslikule sisus kaevumisele sattusin ühel päeval klassika peale. Hellraiser, mille juhuslik vaatamine jättis mulle tugeva ja kustumatu mulje. Olen kindel, et iga lugeja on vähemalt korra saanud kultuurilises või esteetilises mõttes rikkamaks just tänu juhuslikule otsingule ja juhuslikele tegevustele. Teisest küljest avastasin palju huvitavat temaatiliste ressursside pakutavate soovituste abil. Paljud filmid, raamatud, muusika või tooted said mulle tuntuks (ja huvitavaks) ainult tänu soovitussüsteemi edukale toimimisele. Tüüpiline on see, et praegu toetun peaaegu alati soovitustele ja otsin midagi omal käel palju harvemini, sest viimase jaoks lihtsalt ei jää aega!

Seda olukorda raskendab asjaolu, et ma näen, mil määral on soovitusalgoritmid hakanud mind mõistma. Kui varem õnnestunud hitte nii tihti ei juhtunud, siis täna huvitab mind ühel või teisel määral vähemalt tubli pool soovitatud asjadest. Ja kui ma ikka üritan, selle asemel, et mulle pakutavat apaatselt vastu võtta, ise midagi väärt leida, annan uskumatu, enneolematu külluse survel kiiresti järele. Ja mida edasi, seda selgem on pilt mitte nii kaugest tulevikust, mil ümbritsev reaalsus kohandub pidevalt sinu isiksusega, muutudes ja õppides pidevalt. Mitte kunagi varem pole mugavus inimkonna ajaloos olnud nii ähvardavalt absoluutne. Ja kunagi varem pole nii kiiresti ja kategooriliselt kasutusest kõrvaldatud lünki uskumatute juhuslike leidude jaoks.

Aktsepteerides saabuvat tulevikku sellisena, nagu see on, tasub õppida seda kriitiliselt hindama, tuvastades kahtlaseid või isegi tumedad küljed sama innuga, millega püüame igapäevaelus kasutada uuendusi, mis meie elu lihtsamaks teevad. Proovime mõista meie tänase vestluse teemat.

Soovitussüsteemides kasutatavad filtreerimismeetodid

Koostöö filtreerimine

Kollaboratiivset filtreerimist kasutatakse laialdaselt, seda ka suhteliselt lihtsa rakendamise tõttu. Selle tööpõhimõte on tõepoolest lihtne, kuigi selle võib jagada kaheks erinevaks lähenemisviisiks.

Kasutajate sobitamisel põhinev lähenemisviis (üldtuntud kui kasutajapõhine) võtab arvesse antud kasutaja sarnasust teiste süsteemi kaasatud kasutajatega. Näiteks kui Vassili hindas positiivselt Lady Gagat, Oasist ja Led Zeppelini, siis Lady Gagat ja Led Zeppelini armastav Anastasia võib proovida soovitada Oasist.

Objektide võrdluse kontseptsioon (vastavalt esemepõhine) analüüsib objekte endid ja paljastab nende sarnasuse nendega, mis Vassilile kunagi meeldisid. Praktikas näeb see välja nii: Vassilile meeldisid kunagi Radiohead ja Blur, miks me ei paku talle ka Oasist?

Koostöö filtreerimine võimaldab teil saada väga täpseid ja asjakohaseid soovitusi, mis põhinevad sarnase käitumisega kasutajate erinevuste analüüsil ja võrdlemisel.

Vassili ja Anastasia: vastastikused automaatsed soovitused, mis põhinevad eelistuste erinevustel.

Sisu filtreerimine

Sisu filtreerimine loob sisemised ühendused pakutavate toodete või mis tahes sisu vahel. See lihtne põhimõte väljendub selles, et soovitatakse kasutajale objekte, mis on sarnased tema varem valitud objektidega. Näiteks kui ostate raamatupoest kitarrimängu juhendi, pakutakse teile automaatselt teisi populaarseid õpetusi või käsiraamatuid samalt autorilt. Sisu filtreerimise põhimõtet kasutavate soovitussüsteemide suureks eeliseks on võimalus uut kasutajat pakkumiste vastu huvitada sõna otseses mõttes alates tema esimestest tarbijasammudest. Te ei pea koguma andmeid inimese eelistuste kohta pikka aega, saate külastaja kohe ressursiga töötama kaasata. Samuti on sisu filtreerimise oluliseks eeliseks võimalus soovitada kasutajale neid objekte, mida teised kasutajad ei hinnanud ja mille üle ei saanud. Viimane punkt ilmneb sageli koostöömeetodi kasutamisel.

Sisu filtreerimine ignoreerib täielikult kasutajate arvamusi teatud objektide kohta. Luues seoseid puhtalt objektide endi vahel, on meil võimalus koheselt, ilma hinnanguid ja täiendavat isikuandmeid kogumata, pakkuda inimesele midagi sarnast teda huvitava ametikohaga. Jättes kasutajakogemuse soovitussüsteemist välja kui põhilise aine, lahendame justkui nn probleemi. "külmkäivitus", kui kasutajaandmete hõredus takistab süsteemil isikupärastatud soovituste väljatöötamist. Sisu filtreerimise negatiivne külg on aga täiesti sobimatud ja mõnikord lausa naeruväärsed soovitused nagu „Kas olete ostnud Toyota RAV4? Samuti võite olla huvitatud Toyota Highlanderist!

Teine sisu filtreerimise põhimõtte kasutamisega seotud raskus on muljetavaldav töömaht, mis on seotud kõigi süsteemi objektide vaheliste ühenduste loomisega. Kuid kõige rohkem peamine puudus See meetod väljendub väga madalas ja mõnikord üsna tingimuslikus tabamuses sihtmärgile. Sisu filtreerimine ei tähenda suurt isikupärastamist, seega on soovituste täpsus suhteliselt madal.

Teadmistepõhine filtreerimine (Teadmised– põhineb süsteemid)

Seda tüüpi süsteeme kasutatakse laialdaselt veebipoodides. Sisuliselt on teadmistepõhised soovitused sarnased varasema sisufiltreerimise meetodiga, kuid sellised algoritmid kasutavad objektide sügavamat analüüsi, luues nende vahel seoseid mitte banaalsete sarnasuse kriteeriumide järgi, vaid lähtudes teatud kaubagruppide seotusest. .

Praktikas näeb see välja nii – ostes näiteks nutitelefoni, pakub sait sulle uue seadmega kasutamiseks sobivaid tarvikuid. Need võivad olla ümbrised, kõrvaklapid, mälukaardid ja kõik muu selline. Täiendavalt saate ostjat turgutada, pakkudes allahindlusi tarvikutele, mis võib olla väga kasulik seoses uue seadme ostmisega.

Teadmistepõhised soovitused näitavad häid tulemusi, suurendades suurte võrkude käivet kauplemisplatvormid kümnete protsendi võrra. Lisaks on seda tüüpi soovitustel erinevalt sisu filtreerimisest kõrge täpsus, pakkudes kasutajale midagi, mis võib talle tegelikult kasulik olla.

Kui oled huvitatud täpsetest soovitustest, siis tasuks kindlasti kaaluda teadmistepõhise süsteemi juurutamist oma kodulehel. Sarnaselt sisu filtreerimisega uurib ja analüüsib ka teadmistepõhine soovitussüsteem objektide (toodete) vahelisi seoseid, kuid lisaks võtab see arvesse mitmeid lisavõimalusi, mis on seotud konkreetse kasutaja individuaalsete omadustega.

a) Kasutaja soovid. Kõigile tuttav olukord - sait palub kasutajal näidata soovitud omadused, misjärel pakub see päringule vastavaid tooteid.

Yandex.Market ja selle märkeruudud on edukas ja ilmekas näide soovitussüsteemist, mis juhindub kasutaja nõudmistest.

b) demograafilised tunnused. Tegelikult kasutavad demograafilisi andmeid soovituste andmiseks suured sotsiaalvõrgustikud, nagu Facebook, LinkedIn, VKontakte ja teised.

Loomulikult peate sellise süsteemi rakendamiseks kõvasti tööd tegema - peate koguma ja töötlema tohutul hulgal andmeid.

Hübriidfiltreerimine

Kõige võimsam ja raskemini rakendatav tööriist. Ilmselt seisneb tulevik erinevate soovitusmehhanismide ühendamises üheks võimsaks algoritmiks. See absoluutne mugavus ja isikupärastatud reaalsus, millest me artikli alguses rääkisime, realiseeritakse täpselt kõige hübriidi abil. tõhusad meetodid soovitusi.

Sellist näidet demonstreerib Netflix, mille ainulaadset täpsust demonstreerivat keerulist hübriidsoovitussüsteemi pidevalt täiustatakse ja kaasajastatakse. Sellise võimsa algoritmi väljatöötamine on suuresti tingitud Netflixi enda poolt antud valdkonna teadusuuringute heldest rahastamisest, mis pakkus 2006. aastal 1 000 000 dollarit, et parandada oma soovitussüsteemi 10%.

BellKori Pragmatic Chaose arendusmeeskond, kellel õnnestus algoritmi täiustadaNetflix10,09% võrra.

Kokkuvõtteks paar sõna praktilistest sammudest

Konkreetse filtreerimistüübi või mitme meetodi kombinatsiooni valik sõltub otseselt kahest tegurist - teie projekti keerukusest ja selle rahastamise suurusest. Näiteks üksteisega ristuvate temaatiliste ajaveebide süsteemi algoritmi loomine on suhteliselt lihtne ja mõõdukalt kulukas ülesanne. Suuremad ja heterogeensemad projektid, näiteks veebipoed, nõuavad kõrged kulud, eriti kui eesmärk on suurendada konversioonide arvu tõeliselt märkimisväärse summa võrra. Reeglina ei saa sellistes projektides piirduda vaid ühte tüüpi soovitusalgoritmiga ning on vaja kasutada hübriidfiltreerimist, mille tulemusena arenduse maksumus ja keerukus suureneb suurusjärkude võrra.

Hübriidalgoritmi loomiseks, juurutamiseks ja silumiseks vajate tervet meeskonda kogenud arendajaid, kes on hästi teadlikud lineaar- ja relatsioonialgebrast ning omavad ka erinevaid oskusi, mis muudavad soovitusalgoritmide loojad praktiliselt omaette elukutse.

Ühel või teisel viisil, kui töötate välja projekti, mis pakub kasutajale võimalust valida üldkomplektist konkreetseid objekte, tuleb arvestada kasutatavuse kiire arenguga absoluutselt kõigis inimelu valdkondades - alates une optimeerimisest abiga. seadmeid, mis analüüsivad kõiki unerežiimis toimuvaid protsesse ja annavad soovitusi selle parandamiseks automaatseks valikuks igapäevased kaubad lähtudes kasutaja hetkevajadustest. Nagu teate, on iga ettevõtmise edu vältimatu tingimus selle täpne vastavus aja vaimule.

Alustuseks määratleme, mis on soovitussüsteemid. Need on programmid ja teenused, mis püüavad kindlaks teha, mida kasutajad näha tahavad, ja neile seda pakkuda (või soovitada, sellest ka nimi). Tõenäoliselt on igaüks meist erinevatel saitidel sarnaste tehnikatega kokku puutunud. Täna kirjeldame selliste programmide tüüpe ja tööpõhimõtteid ning toome ka näiteid nendest algoritmidest töös. Lugege lõpuni, see saab olema huvitav!

Eespool kirjeldasime, mis on soovitussüsteemid, nüüd räägime teile nende tähtsusest üksikasjalikumalt. Need programmid on parandanud saidi ja külastaja suhtlemist, kuna staatilise teabe esitamise asemel saab kasutaja interaktiivse kogemuse.

Soovitused genereeritakse iga inimese jaoks eraldi, lähtudes tema varasematest tegevustest konkreetses veebiressursis või varasema tegevuse põhjal. Lisaks loeb ka varasemate protsessis osalejate käitumine.

Veebipoodide jaoks on see põhimõtteliselt oluline funktsioon ja suurte kataloogide jaoks nagu Amazon on see üks väheseid võimalusi tõhusaks töötamiseks. Soovitusmeetod ei ole sel juhul tavaline lisavõimalus, see võimaldab kasutajal veebiressursi kaudu navigeerida. Kui elektroonilises kataloogis on üle 20 000 tootenimetuse, tundub orienteerumine juba ülemäära raske, mida siis öelda, kui tooteid on miljoneid?

Kui väsitav on potentsiaalse ostja jaoks sellise saidiga suhtlemine? Vastus on ilmne. Ja tuleb vidin otsitavaga visuaalselt sarnaste või samasse tootegruppi kuuluvate või täiendavate toodete otsimiseks (kui pakutakse näiteks kingapaari jaoks käekotti valida). päästma. See lahendus mitte ainult ei suurenda vaatamiste arvu, vaid avaldab positiivset mõju konversioonile.

Nagu näitab praktika, ei kasuta seda tehnikat mitte ainult veebipoed. Sotsiaalmeedia ei jää ka maha. Allpool on näide VKontakte'ist.

Samuti on sarnaseid võtteid hõlpsasti näha erinevatel sotsiaalplatvormidel, kirjandusele pühendatud portaalides, reisides, uudisteallikates, veebipoodides, ühesõnaga - peaaegu kõikjal. See tehnika on tõesti väga populaarne. Kinopoiski veebiressurss on veel üks juurdepääsetav näide.

Tehnikad

Niisiis, esimene tüüp on selgesõnaline andmete kogumine. Nagu nimest arvata võis, annab tööks vajalikud materjalid kasutaja ise. Näiteks kui Yandexi või muude otsingumootorite soovitussüsteemid paluvad inimesel hinnata erinevaid elemente, koostada teatud piirkonna lemmikute loend või vastata mitmele küsimusele. Kui inimene keeldub ise teavet andmast, on asjakohane järgmine tehnika.

Teine tüüp on kaudne andmete kogumine. Suhteliselt on tegemist spioonimissiooniga, mille kohaselt protsessis osaleja tegevused salvestatakse programmiga edasiseks töötlemiseks ja rakendamiseks. Mida selleks vaja on? Programm tunneb ära ostud, saitide hinnangud, kogub teavet vaadete ja kommentaaride kohta. Loomulikult eeldab sellise tehnika valik mõningaid eetilised probleemid, sest isikuandmete kaitse on üks peamisi nõudeid, mida kasutaja otsingumootoritele esitab. Praegu jääb aga faktiks, et mingisugune jälitustegevus on võimalik ja tavalised veebilehe külastajad ei saa kontrollida, kas sellised üritused ka päriselt toimuvad.

Esiteks põhitehnika nimetatakse koostööfiltreerimiseks. Seda tehnikat kasutades tehakse soovitusi ühe inimese või inimrühma käitumisomadustest lähtuvalt, viimane on veelgi tõhusam. Rühmadesse kogunevad inimesed, kes on käitumiselt ja omadustelt sarnased.

Toome näite, et teavet oleks lihtsam mõista. Loomisel on veebileht, kus hakatakse publikule muusikateoseid soovitama. Kuidas koostöömetoodikal põhinevad soovitusteenused sel juhul toimivad? Selle põhimõtte järgi: aluseks võetakse üks kommuun, kus osalejad lisavad esitusloendisse sama žanri lugusid. Järgmisena selgitatakse välja populaarseimad muusikapalad ja soovitatakse neid ühele kasutajale rühmast, kes pole seda meloodiat veel kuulanud.

Teist lähenemist nimetatakse sisupõhiseks filtreerimiseks. Siin on soovitus koostatud inimese käitumise põhjal. See lähenemisviis võib võtta aluseks ka konkreetse osaleja sirvimisajaloo.

Seekord toome näite temaatiliste veebiajakirjadega. Seega, kui inimene on varem lugenud sisu mägirattasõidu kohta ja kommenteerinud regulaarselt sellise sisuga ajaveebiartikleid, kasutab sisu filtreerimise meetod seda varasemat teavet sarnaste ressursside tuvastamiseks ja soovitab neid talle kasutaja jaoks soovitusena. .

Samuti on olemas segakäsitlused, mille järgi toimub soovitussüsteemi väljatöötamine.

Segatud lähenemisviis on koostöö ja sisu filtreerimise kombinatsioon. Nagu me teame, on rohkem parem, nii et nende kahe tehnika segamine suurendab soovitussüsteemide tõhusust, nimelt suurendab oluliselt ennustuste täpsust konkreetsete inimeste jaoks.

Algoritmid

Pearsoni korrelatsioon

See algoritm võimaldab teil valida Üldised omadused mitme kasutaja vahel. Kuidas? Lihtsa matemaatika kasutamine, nimelt kahe elemendi vahelise lineaarse seose määramine. Oluline punkt on see, et see tehnika ei sobi inimeste kogukonnale.

Klasterdamine

See soovitussüsteemide tööpõhimõte põhineb elementide (kasutajate) sarnasuste tuvastamisel, arvutades nende läheduse üksteisele nn tunnusruumis. Märgid on need elemendid, millele protsessis teatud osalejate huvid koonduvad (muusikaressursside jaoks on need lood, filmiportaalide jaoks - filmid). Sarnaste omadustega kasutajad ühendatakse nn klastriteks.

Koostöö filtreerimisalgoritm

Kõva klasterdamise saab asendada mõne teise algoritmiga, mis töötab üsna keerulise valemi järgi ja põhineb nagu kõik eelnevadki oma rühma kasutajate käitumisel. Sellel tehnikal on aga mitmeid üsna olulisi puudusi. Esiteks on uutel või ebatüüpilistel kasutajatel (neil, kes gruppe ei moodusta) raske soovitusi leida. Teiseks nn "külmkäivitus", kui uued objektid ei sisene soovitussüsteemidesse.

Sisu filtreerimise algoritm

Algoritm on sümmeetriline eelmisega, kuid kui esimesel juhul lähtusime eeldusest, et objekt meeldib kasutajale, kuna see meeldib tema “klassikaaslastele”, siis siin soovitame sarnaste objektide põhjal, mille kohta ta on juba märkinud. ise. Ja siin saab traditsiooniliselt tuvastada mitmeid probleeme. Sama "külmkäivitus" ja asjaolu, et soovitused on sageli igapäevased.

Järelduse asemel

Seega oleme esitanud kogu teabe, mida algaja või lihtne võhik peaks soovitussüsteemide kohta teadma. Olgem ausad, algoritmid on treenimata inimesele mõnevõrra keerulised, mistõttu see artikkel ei sisalda matemaatilisi valemeid, kuigi algoritmid põhinevad neil.

Soovitusprogrammid on kasulikud teenused nii tavalistele Interneti-kasutajatele kui ka teadlastele ja veebiärimeestele. Need, kes soovivad suurendada konversioone ja vaatamiste arvu, peaksid sellele tehnikale tähelepanu pöörama ja kindlasti rakendama seda veebiressursi, eriti veebipoe efektiivsuse tõstmiseks.

Soovitussüsteemide loomiseks on kaks peamist strateegiat: sisu filtreerimine ja koostööfiltreerimine.

Kell sisu filtreerimine luuakse profiilid kasutajad ja objektid.

• Kasutajaprofiilid võivad sisaldada demograafilist teavet või vastuseid konkreetsetele küsimustele.
• Objektiprofiilid võivad sisaldada žanrinimesid, näitlejate nimesid, artistide nimesid jne. - olenevalt objekti tüübist.

Seda lähenemist kasutatakse projektis Muusika genoomi projekt: muusikaanalüütik hindab iga laulu sadade erinevate muusikaliste omaduste põhjal, mille abil saab tuvastada kasutaja muusikalisi eelistusi.

Kell koostööpõhine filtreerimine kasutatakse teavet kasutaja varasema käitumise kohta – näiteks teavet ostude või hinnangute kohta. Sel juhul pole vahet, mis tüüpi objektidega töötatakse, küll aga saab arvesse võtta kaudseid omadusi, mida oleks profiili loomisel raske arvesse võtta. Seda tüüpi soovitussüsteemide peamine probleem on "külmkäivitus": andmete puudumine kasutajate või hiljuti süsteemi ilmunud objektide kohta.

Metoodika

Näited selgesõnalisest andmete kogumisest

• kasutajalt objekti hindamise nõudmine diferentseeritud skaalal;
• paludes kasutajal järjestada objektide rühm parimast halvimani;
• kasutajale kahe objekti esitamine ja küsimine, kumb on parem;
• ettepanek luua kasutajale meeldivate objektide loend.

Näited kaudsest andmete kogumisest

• jälgida, mida kasutaja veebipoodides või muud tüüpi andmebaasides vaatab;
• kasutajate võrgukäitumise kohta andmete säilitamine;
• kasutaja arvuti sisu jälgimine;

Rakendus

Soovitussüsteemid võrdlevad sarnaseid andmeid erinevad inimesed ja arvutage konkreetse kasutaja jaoks soovituste loend. Mõned näited nende kaubandusliku ja mitteärilise kasutamise kohta on toodud koostööfiltrimise artiklis. Soovitussüsteemid on mugav alternatiiv otsingualgoritmidele, kuna need võimaldavad tuvastada objekte, mida viimasena ei leita. Huvitav on see, et soovitussüsteemid kasutavad ebatavaliste andmete indekseerimiseks sageli otsingumootoreid.

• Imhonet (filmid, kirjandus, fotod)
• Last.fm (muusika)
• Osoon (raamatud, CD-d jne)
• Tarkvarainformaator (tarkvara)
• Ulmelabor (ulmekirjanduse ja fantaasiateemaline sait)
• Imdb – filmid (sait inglise keeles)
• Rehelper – filmid
• Advizzer – kohad
• Mir4 on eksperimentaalne süsteem, mis suudab töötada mis tahes sisuga, sealhulgas lühiajalise sisuga. Praegu töötab see ainult uudistega.

Lingid

Märkmed

Kirjandus

• Melville P., Mooney R., Nagarajan R. Sisu tõhustatud koostööfiltreerimine paremate soovituste saamiseks // Texase ülikool, USA: Konverentsi materjalid. / AAAI-02, Austin, TX, USA, 2002. - 2002. - lk 187-192.

Wikimedia sihtasutus.

2010. aasta. Filiaal teadus- ja, üks bibliograafia liikidest (vt Bibliograafia). Peamine avalik eesmärk R. b. NSV Liidus ja teistes sotsialismimaades edendada üldist ja kutseharidus ja eneseharimine... Suur Nõukogude entsüklopeedia

URL: http://imhonet.ru Kaubandus: No Sa type ... Wikipedia

Seda artiklit toimetab praegu aktiivselt Member:Moshanin. Palun ärge tehke selles muudatusi enne, kui see reklaam kaob. Vastasel juhul võivad redigeerimiskonfliktid tekkida. See... ... Wikipedia – see leht tehakse ettepaneku ümber nimetada Rahvusvaheline agentuur aatomienergia kohta. Põhjuste selgitus ja arutelu Vikipeedia lehel: Nimetada ümber / 24. juuli 2012. Võib-olla ei vasta selle praegune nimi tänapäevaste ... Vikipeedia standarditele

LASTEKIRJANDUSE BIBLIOGRAAFIA- bibliograafia osa, mille ülesanneteks on raamatupidamine ja teave lastele ja noortele mõeldud trükiste kohta. Seda teavet suunatakse peamiselt kahel viisil. aadressid: täiskasvanud (õpetajad, vanemad, pedagoogid, spetsialistid, kes on professionaalselt seotud... ... Vene pedagoogiline entsüklopeedia

Riigi majandus- (Rahvusmajandus) Riigi majandus on sotsiaalsed suhted riigi jõukuse ja kodanike heaolu tagamiseks. rahvamajandus riigi elus riigi majanduse olemus, funktsioonid, sektorid ja näitajad, riikide struktuur... ... Investorite entsüklopeedia

Likviidsus- (likviidsus) Likviidsus on varade liikuvus, tagades kohustuste katkematu tasumise võimaluse Majanduslikud omadused ning ettevõtte, panga, turu, varade ja investeeringute likviidsuskordaja kui olulise majandusliku... ... Investorite entsüklopeedia

28. aprillil 2016 teatasime ametlikult esimese adaptiivse kursuse käivitamisest saidil Stepic.org, mis valib Pythoni probleemid olenevalt õpilase tasemest. Enne seda rakendasime platvormil ka soovitatavad tunnid, et õpilased ei unustaks juba läbitut ning avastaksid endale uusi teemasid, mis võiksid neile huvi pakkuda.

Lõike all on kaks põhiteemat:

• veebipõhise hariduse, plusside/miinuste/lõkse kohta;
• soovitussüsteemide klassifikatsioon, nende rakendatavus hariduses, näited.

Veebiharidusest, selle plussidest, miinustest ja lõkse

See osa on valdavalt sissejuhatav, online-õpet iseloomustav, põnevaid detaile soovitussüsteemidest järgmise pildi all :)

Kaasaegses maailmas muutub veebiharidus järk-järgult üha populaarsemaks. Võimalus õppida juhtivatelt professoritelt õppeasutused, uurida uusi valdkondi, omandada tööks vajalikke teadmisi kodust lahkumata, meelitab suur hulk inimestest.

Üks levinumaid veebipõhise õppe vorme on massiivsed avatud veebikursused (MOOC, Massive Open Online Courses). Enamasti sisaldavad need õpetaja koostatud videoid, slaide ja tekstisisu ning teadmiste kontrolle, mida tavaliselt kontrollitakse automaatselt, kuid õpilased saavad ka üksteise töid kontrollida. Ülesannetena saab pakkuda väga erinevat tüüpi ülesandeid: alates lihtsalt õige vastuse valimisest kuni essee kirjutamiseni ja isegi, nagu meil Stepiku puhul, programmeerimisülesanded koos automaatse kontrolliga.

Veebiõppel on oma eripärad, mis eristavad seda tavapärasest võrguühenduseta haridusest. Eeliste hulgas on esiteks juba eespool mainitud juurdepääsetavus kõigile, kellel on juurdepääs Internetile. Teiseks on sellel peaaegu piiramatu skaleeritavus: tänu ülesannete automatiseeritud kontrollile saavad kursusel korraga õppida tuhanded inimesed, mis pole võrreldav tavaliste klassiruumides toimuvate kursustega. Kolmandaks saab iga õpilane valida endale sobiva aja ja tempo materjali täitmiseks. Neljandaks on koolitajatel juurdepääs paljudele andmetele selle kohta, kuidas kasutajad oma kursusi läbivad, mida nad saavad kasutada oma materjalide analüüsimiseks ja täiustamiseks.

Samas on veebipõhisel õppimisel ka puudusi. Erinevalt traditsioonilisest õppest, kus õpilast motiveerib alati oma õppeedukuse hindamine, ei ole veebikursuste puhul trahvi kursuse läbikukkumise eest. Seetõttu ületab kursuse läbinute osakaal sellele registreerunute seas harva 10% (meie Stepikul, Anatoli Karpovi „Statistika alused“ EdCrunch Awards 2015 parimal kursusel, rekordiline 17%. registreerunud läbisid esimese käivitamise, kuid see on pigem erand). Lisaks puudub õpetajal õpilaste rohkuse tõttu võimalus pöörata igale õpilasele tema tasemele ja võimalustele vastavat individuaalset tähelepanu.

Võtsime endale ülesandeks luua soovituste süsteem, mis oskaks õpilast nõustada teda huvitava sisu osas ning võtta arvesse tema ettevalmistuse taset ja lünki teadmistes. Lisaks peab süsteem suutma hinnata sisu keerukust. See on vajalik eelkõige adaptiivsete soovituste jaoks, mis aitavad kasutajal materjali uurida, sellega paindlikult kohaneda, pakkudes täpselt seda sisu, mida ta praegu õppimiseks vajab. Sellisest süsteemist saavad kasutajad isikupärastatud tunnisoovitused, mis aitavad neil õppida konkreetset teemat või pakkuda midagi uut.

Üldiselt oleks õppimine pidanud veelgi huvitavamaks muutuma!

Üks esimesi näiteid kaasaegsest soovitussüsteemist on movielens.org, mis soovitab kasutajatele filme nende eelistuste põhjal. See teenus on huvitav, kuna see pakub kõigile ulatuslikku teavet filmide ja kasutajate antud hinnangute kohta. Seda andmekogumit on viimase kahe aastakümne jooksul kasutatud paljudes soovitussüsteemide uuringutes.

• Sisu filtreerimisel põhinevad süsteemid. Sellised süsteemid pakuvad kasutajatele sisu, mis sarnaneb sellega, mida nad on varem uurinud. Sarnasus arvutatakse võrreldavate objektide omaduste põhjal. Näiteks võib filmide soovitamiseks kasutada žanri või osatäitjaid. Seda lähenemist kasutatakse teenuses filmide hindamiseks, otsimiseks ja soovitamiseks Interneti-filmide andmebaasis.
• Süsteemid, mis kasutavad ühist filtreerimist. Sel juhul pakutakse kasutajale sisu, mis pakub huvi sarnastele kasutajatele. Teenuse MovieLens soovitused põhinevad just sellel lähenemisel.
• Hübriidsüsteemid, mis ühendavad kahte eelmist lähenemisviisi. Seda tüüpi süsteemi kasutatakse Netflixis, mis on filmide ja teleseriaalide võrgus vaatamise teenus.

Lõime hübriidsüsteemi, kus kasutatakse aktiivsemalt sisu filtreerimist ja vähem aktiivset koostööfiltrimist.

Tehnoloogiliselt täiustatud õppe soovitussüsteemide kohta on tehtud palju uuringuid. Ülesande spetsiifilisus lisab antud juhul uusi suundi soovitussüsteemi arendamiseks.

Millised on haridusprojekti soovitussüsteemi omadused?

Esiteks on võimalik luua adaptiivne soovitussüsteem, mis kohandub kasutaja konkreetse hetke vajadustega ja pakub talle parimaid viise materjali uurimiseks. Selles formaadis saab rakendada erinevaid simulaatoreid, näiteks matemaatikas või mõnes programmeerimiskeeles, mis sisaldavad palju erineva keerukusega ülesandeid, millest erinevad sobivad igal ajahetkel erinevatele õpilastele.

Teiseks on võimalik välja tuua sõltuvused koolitusmaterjalide vahel nende andmete põhjal, kuidas kasutajad neid täidavad.

Need andmed võivad aidata eraldada materjalidest üksikuid teemasid, nende teemadevahelisi seoseid ja nende keerukuse suhteid.

Coursera, EdX, Udacity (veebiõppeplatvormid) kasutavad oma soovitussüsteeme, et soovitada kasutajatele kursusi, mis võivad neile huvi pakkuda. Nende soovituste puuduseks on see, et nad saavad pakkuda ainult kogu kursust, kuid mitte osa sellest, isegi kui kasutaja on huvitatud ainult sellest osast. Samuti ei saa sel viisil ehitatud süsteem kasutajat aidata tema valitud kursuse õppimisel.

Vastupidi, MathsGardeni ressursisoovitussüsteem töötab kõige väiksemate sisuosadega - üksikute ülesannetega. See on õpilastele mõeldud elementaarse aritmeetika simulaator Põhikool, mis pakub õpilasele keerukuse poolest antud ajahetkel optimaalselt sobivaid ülesandeid.
Selleks arvutab süsteem välja ja muudab dünaamiliselt nii õpilase teadmiste suhtelist tunnust kui ka ülesannete keerukuse tunnust, kuid sellest lähemalt hiljem.

Järgmistes artiklites räägime lähemalt Stepic.org seadmest ja soovitajasüsteemi rakendamisest, defineerime, mis on adaptiivne soovitajasüsteem ning analüüsime saadud tulemusi detailselt. See saab olema lõbus:)