Газета, сшитая на заказ

«Литературная газета» советского образца публиковала так называемую «шестнадцатую полосу». На ней не было официоза, только юмор, фельетоны, пародии и т.п. Я, как и многие читатели «Литературки», начинал просмотр номера именно с шестнадцатой, последней по счету, страницы. Часто этим мое чтение и заканчивалось. Не знаю, как выглядит ЛГ сейчас, но похожая ситуация, скорее всего, в ней и сегодня. В достаточно крупном издании материал разнороден и рассчитан на разные группы читателей. Никто из них не читает всего (разве что делающие это по долгу службы), все выбирают «вкусные», по своим представлениям, места. Подобное же имеет место и в больших интернет-изданиях, значительную часть которых читатели либо просматривают бегло, либо вообще опускают. В этой Техносреде речь пойдет об информационных технологиях, позволяющих подобрать контент под интересы читателя.

Самые простые из них появились, можно сказать, сами собой. В социальных сетях и блогах добавление в друзья и есть не что иное, как выбор определенного контента. «Френдов» набирают, исходя из личных симпатий или из того информационного потока, который они создают. Таким образом, лента обновлений становится лишь срезом всего ресурса. В случае «Живого журнала», Facebook и других это очень узкий срез, так как сами ресурсы перекрывают не только весь тематический, возрастной, политический спектры, но и существуют одновременно на нескольких языках. С точки зрения информационных технологий, подбор интересных авторов автоматизирован мало или вовсе осуществляется вручную – он перенесен на пользователей.

Значительным шагом вперед стали так называемые системы рекомендаций, которые решают одну и ту же типовую задачу. По уже известным предпочтениям пользователя ему подбирают новые товары или услуги. Эти системы полностью автоматизированы (по крайней мере, для пользователя) и основываются, как правило, на регрессионном анализе. Эта группа прикладных математических методов позволяет по известным точкам распределения примерно восстановить функцию этого распределения. А зная функцию, можно предсказывать значения в других точках. Эти значения, возвращаясь к нашей проблеме рекомендаций, и есть новые товары, услуги, фильмы, музыка, которые могут понравиться данному потребителю. Подобные системы давно используются Amazon, Netflix, Google. Последние несколько лет они стали появляться на средних и даже мелких сайтах, продающих товары. Эти системы, впрочем, часто делают безо всякой математики, основываясь только на том, что ранее приобретали посетители, купившие тот же товар. Кстати, и при использовании регрессионного анализа системе нужны подобные данные.

Некоторые стартапы предлагают решения еще более сложной задачи. По немногочисленным словам, описывающим интересы читателя, эти компании могут выбрать и предложить тексты и темы, которые данному читателю близки. Здесь идет речь не о товарах или фильмах, а именно о больших текстах или даже целых темах, представленных тысячами и тысячами текстов. Эта технология, если вернуться к «Литературной газете», показывала бы мне только последнюю страницу из всех, если бы фильтровала электронную версию газеты. В информационном пространстве, переполненном текстами, это ровно та самая сетка, которая не пропускает комаров, но через которую свободно проходит свежий воздух.

Если загадывать вперед, то можно предположить, что эта и подобные технологии вскоре получат очень широкое распространение. Сегментация читающей интернет-аудитории и работы с отдельными сегментами – это мечта любого пиар-отдела. Если этот процесс (хотя бы частично) автоматизировать, его эффективность вырастет на порядки. Следует напомнить, однако, и об ограничениях этой технологии. Она «умеет» только подбирать тексты, а их написание было и останется делом Homo Scribens, или «человека пишущего».