Луговая Е.Ю., Мысева Е.Р. - Рекомендательные системы и технологии, проблемы и перспективы развития в Российской Федерации

Научные труды

Источник: Сборник материалов VI Международной студенческой научной конференции «Инновационные механизмы управления цифровой и региональной экономикой». — 2024. — С. 760-766.

УДК 005.412:004(470)

Аннотация

В данной статье рассмотрены проблемы рекомендательных систем и их решения, нововведения в российском законодательстве в сфере рекомендательных систем, а также перспективы развития данной сферы.

Ключевые слова: рекомендательные системы, информационные технологии, проблематика рекомендательных систем, машинное обучение, искусственный интеллект, ИИ.

Введение

Заказывая что-то в интернет-магазине, смотря видеоролики в стриминговых сервисах и даже пролистывая ленту новостей, пользователь неизбежно сталкивается с рекомендательными системами (далее РС). Все они имеют единую цель – удовлетворить интересы пользователя или покупателя и представить наиболее релевантный результат. Будь это товары схожих категорий, новые книги, которые пользователь захотел бы прочитать или интересные новости местного блогера. В современном мире на работу подобных систем завязаны целые инфраструктуры. Например, большинство соцсетей по своей сути — это большие РС, но где-то, например, в интернет-магазинах, это лишь часть функционала, призванная улучшить взаимодействие пользователя с сервисом [1].

Компоненты рекомендательных систем

Любая рекомендательная система состоит из нескольких компонентов:

Рекомендуемый объект. Это могут быть товары, видео, изображения, статьи, новости, плейлисты, новые знакомства и так далее. Все зависит от того, на что нацелен сервис и что он предлагает пользователю.
Ключевое действие. Например, это может быть прослушивание музыки, обучение, чтение новостей, знакомство с новыми людьми.
Откуда получена рекомендация. Это могут быть все пользователи сервиса. Например, на маркетплейсе «Wildberries» каждый пользователь может оставить отзыв и оценку для любого купленного товара. На основе оценок формируется средний балл товара, а после и продавца, что влияет на дальнейшие рекомендации товаров в общей ленте выдачи [3],[4]. Схожие по интересам пользователи, например, люди, прослушивающие похожую музыку на музыкальных сервисах. Также это может быть экспертное сообщество или ограниченная группа пользователей, как на сервисе «Яндекс Здоровье» и «4PDA».
Тип рекомендации. Это может быть персональная — таргетированная рекомендация, направленная на конкретную аудиторию или пользователя, например, реклама на любом маркетплейсе. Полуперсональная — рекомендация, основанная на местоположении или демографических данных, например, сайты аптек и театров. Неперсональная рекомендация, к примеру, статья со списком из 11 самых лучших беспроводных наушников [2].
Внешний вид рекомендации. Наиболее известные варианты: ограниченная лента, где товары располагаются на пронумерованных страницах, например, в версии для компьютера у «Wildberries», в любой версии «Aliexpress». Бесконечная лента, не имеющая ограничений и постоянно обновляющаяся во время прокрутки страницы, например, в мобильной версии «Ozon.ru». Также существуют: всплывающие окна, сортированные списки, лента, появляющаяся на различных частях экрана, например, лента с похожими фильмами в поисковике Яндекс.
Используемый алгоритм. Это основная логика РС, с помощью которой происходит отбор, ранжирование и выдача рекомендаций в соответствии с выбранными категориями и ограничениями. Например: фильтрация, основанная на контенте; коллаборативная фильтрация; фильтрация, основанная на знаниях; гибридные рекомендательные системы; методы в основе которых лежит матричное разложение.

Все перечисленные выше компоненты собираются в единый монолит из различных сервисов, алгоритмов, целей и подходов, называемый — рекомендательная система. Сегодня в большинстве подобных систем активно используется машинное обучение, которое делает подсказки и рекомендации более релевантными, адекватными и интересными для пользователя. Проводится поиск «накрученных» или недобросовестных ссылок, товаров, сайтов, писем, приложений и так далее, чтобы обезопасить пользователей от интернет-угроз [5],[6]

Этапы работы рекомендательных систем

Если провести общий анализ, то большинство РС имеют подобный порядок работы:

Сбор данных для анализа, включая все доступные данные о пользователях, их предыдущих действиях, местоположении, оценках, комментариях и так далее. На основе собранных данных создается профиль пользователя, по которому РС будет формировать выдачу рекомендаций.
Далее, используя встроенные алгоритмы, проводится анализ и оценка предлагаемых объектов (музыки, фильмов, товаров и так далее) и пользователей. То есть, проводится корреляция между тем, что известно о пользователе и тем, что известно об объекте. Также учитываются и интересы других пользователей. Например, если несколько пользователей слушают музыку одного жанра, то РС может предложить им исполнителей, прослушиваемых той же группой пользователей.
После происходит фильтрация. Весь собранный объем информации анализируется и среди всего массива данных выделяются самые важные элементы, определяющие релевантность рекомендаций для конкретного пользователя. Обычно пользователь может добавить дополнительные ограничения к выборке, например, год выпуска, местоположение, дата доставки, количество, цена и другие. Также некоторые сервисы сортируют выдачу по количеству оценок и комментариев (где-то популярности), цене и другим параметрам.
Как только пользователь получил итоговую подборку, происходит сбор данных о его реакции. Некоторые сервисы специально уточняют, насколько выдача соответствует интересам пользователя. Также кроме прямых опросов анализируется время присутствия на странице, переходы на другие страницы, оценки и комментарии, а также дополнительные действия, зависящие от наполнения конкретного сервиса.
После сбора данных о реакции пользователя, происходит уточнение информации и РС начинает подбирать лучшие рекомендации, все больше подходящие конкретному пользователю. Это особенно заметно на примере контента, который подбирают соцсети. Чем больше времени пользователь проводит, чем больше реакций оставляет, тем более персонализированную ленту он получит.

Законодательное регулирование

Сегодня рекомендательным системам уделяется все большее внимание со стороны государства. Ведь несмотря на всю свою пользу, подобные системы могут представлять большую опасность. Попав в руки к злоумышленникам или при плохом алгоритме подбора и модерации контента, РС может стать оружием преступников в их незаконной деятельности. С помощью РС может распространяться запрещенный или опасный контент, начиная с программ, зараженных вирусами, ссылок, ведущих на фишинговые сайты и заканчивая данными из ресурсов, запрещенных на территории РФ. Через такие РС могут звучать призывы к экстремизму и терроризму, может оказываться влияние на политическое и общественное мнение людей. Компании могут продвигать свои товары вне зависимости от их пользы и надобностей покупателей. Мошенники с помощью фишинговых сайтов могут отмывать деньги, получив данные пользователей, осуществлять переводы с «чистых» счетов и карт, и так далее [7],[8],[9],[10],[11]. Иными словами, как и в любой сфере, здесь необходима регуляция и строгий контроль.

В российском законодательстве понятие «рекомендационные технологии (алгоритмы)» начало свою историю с 2023 года. 27 июля вышла новая редакция закона № 149-ФЗ, а именно статья 10.2-2, которая определяет, что такое рекомендационные технологии, границы их применения и правила использования, а также наказания и ограничения за неисполнение ФЗ. Появление данной статьи ознаменовало переход от неясности в любых вопросах, связанных с рекомендательными системами со стороны законодательства к четкому контролю и определенности, к установлению правил и отслеживанию действий пользователей РС. К тому же, это первый опыт в истории РФ в регулировании использования технологий машинного обучения (ИИ) [8].

Таким образом, согласно №149 ФЗ, владелец той или иной информационной системы обязан:

Не допускать применения рекомендационных технологий в целях предоставления информации с нарушением законодательства Российской Федерации, а также с нарушением прав и законных интересов граждан и организаций (п.1, статья 10.2-2);
Не допускать применение рекомендационных технологий без информирования пользователя (п.1 ч.2, статья 10.2-2);
Разместить документ, устанавливающий правила использования рекомендационных технологий;
Разместить адрес электронной почты для направления юридически значимых сообщений, свои фамилию и инициалы (для физического лица) или наименование (для юридического лица).

В случае нарушения пункта 1 и 2 части пункта 1 статьи 10.2-2, Роскомнадзор вправе запрашивать информацию, связанную с применением рекомендательных технологий, а также доступ к программно-техническим средствам для проведения оценки соответствия применения рекомендательных технологий требованиям статьи. Информация должна быть предоставлена не позднее 10 дней. В противном случае доступ к ресурсу может быть ограничен. Тогда доступ к сайту может быть восстановлен только в случае устранения всех нарушений. Также нарушение требования может повлечь за собой уголовную, административную и иную ответственность в соответствии с законодательством РФ.

А официальное определение рекомендательных технологий звучит так: информационные технологии предоставления информации на основе сбора, систематизации и анализа сведений, относящихся к предпочтениям пользователей сети «Интернет».

В итоге, изменения в ФЗ решили сразу несколько проблем:

Пользователи знают кто, каким образом, для чего и на какой срок имеет право распоряжаться собранной информацией;
Предотвращено появление «информационного пузыря», в котором человек получает строго направленную информацию, имеющую возможность сформировать определенное мнение (например, в политике);
Официально запрещено распространение фейков и прочей запрещенной законодательством РФ информации.

Безусловно, государство должно продолжить регулирование данной сферы, уточнение и возможно, введение новых правил, которые позволят пользователям лучше и качественнее понимать, к чему может привести пребывание на сайте и его использование.

К тому же, далеко не только Россия задумывается и вводит новые законы, регулирующие деятельность РС и технологий машинного обучения, это говорит о том, что данная сфера активно развивается не только в вопросах создания и использования подобных технологий и систем, но и в их регулировании и анализе последствий применения.

Если подумать о будущем РС, то становится очевидным, что они будут усложняться, становиться более утонченными в подборе контента, еще лучше улавливать настроения и интересы пользователей и быть может даже точно предугадывать то, что понравится человеку. Ведь сегодня довольно-таки распространена ситуация, когда предлагаемый товар, видео или какой-либо контент оказывается нерелевантным и пользователю приходится пролистывать страницы в поисковике, маркетплейсе или любом другом сервисе в надежде найти желаемое, иногда, к сожалению, безрезультатно.

В довершении, РС будущего смогут предопределять настроения и желания не только одного человека, но и всего общества. Они смогут создавать тренды и помогать производить именно то, что понравится людям, таким образом, они будут экономить время и ресурсы на разработку любой продукции, что при правильном применении может оказать глубокий и значительный положительный эффект на экономику всего мира.

Список использованных источников