Suosittelujärjestelmä

Suosittelujärjestelmä (engl. recommender system) on ohjelmisto, joka ehdottaa käyttäjän aiempaan toimintaan perustuen sisältöjä, joista hän voisi olla kiinnostunut. Se auttaa kuluttajia löytämään tuotteita, joista he pitävät ja auttavat yrityksiä lisäämään myyntiään. Se voi antaa käyttäjille ehdotuksia esimerkiksi kiinnostavasta musiikista, elokuvista, kirjoista, valokuvista tai verkkokirjanmerkeistä.

Suosittelujärjestelmien taustalla on ajatus siitä, että palveluiden suunnittelussa tulisi ottaa huomioon eri kuluttajaryhmien yhä selvemmin eriytyvät tarpeet ja halut. Hajaantunut ja yksilöllistynyt kulutus on ominaista jälkimoderneille yhteiskunnille, joissa kulutusvalinnat ja niihin liittyvä merkityksenanto toimivat yhtenä tärkeänä identiteettien rakentamisen ja esittämisen tapana. Esimerkiksi sisällyttämällä musiikin verkkopalveluihin suositteluominaisuuksia, käyttäjät voivat löytää uutta musiikkia helpommin.

Kimmo Tuomisen mukaan suosittelujärjestelmät ovat yhdenlaisia suodatusmekanismeja, joilla verkossa olevaa tietoa seulotaan – erotellaan olennainen epäolennaisesta. Erilaiset suositukset lisäävät huomattavasti yhteisöllisiä kirjanmerkkejä hyödyntävien verkkopalvelujen suodatuskapasiteettia.

Suosittelumenetelmät

Suosittelujärjestelmien toimintaperiaatteet ovat pääasiassa kahdenlaisia: sisältöperustaisia tai yhteistoiminnallisia. Sisältöperustaisissa lähtökohtana on käyttäjien ja tuotteiden profiloiminen. Käyttäjä- ja tuoteprofiileja käytetään yhdistämään käyttäjien kiinnostuksenkohteita tuotekuvauksiin erilaisten algoritmien avulla.

Menestynein suosittelujärjestelmien toimintaperiaate on kuitenkin kollaboratiivinen eli yhteistoiminnallinen suodattaminen (engl. collaborative filtering). Se on menetelmä, jonka avulla luodaan automaattisia ennusteita käyttäjän kiinnostuksen kohteista keräämällä makua koskevaa tietoa usealta käyttäjältä. Yhteistoiminnallisessa suodattamisessa käyttäjien menneitä aktiviteetteja käytetään nykyisten mieltymysten ennustamiseen.

Yhteistoiminnallinen suodattaminen on teknisesti helpompi toteuttaa kuin sisältöperustainen suosittelu. Se tuottaa laadukkaita suosituksia, mutta sen tehokkuus heikkenee käyttäjien (esim. kuluttajien) ja datan (esim. tuotteiden) määrän kasvaessa.

Yhteistoiminnallisessa suodattamisessa käytetään tilastollisia menetelmiä kuten lähin naapuri -tekniikoita. Ne toimivat etsimällä käyttäjien naapureita, joilla on ollut aiemmin taipumuksena olla samaa mieltä asioista käyttäjän kanssa. Useimmiten naapurit muodostuvat käyttäjien mielipiteiden keskinäisestä korrelaatiosta. Tämän jälkeen järjestelmä voi suositella tuotteita, joista käyttäjän lähimmät naapurit ovat pitäneet ja myös käyttäjä todennäköisesti pitää. Ne siis vaativat tietyn asteista interaktiivisuutta, joka useimmin ilmenee käyttäjien tuotteille antamina arvosanoina tai ostoshistoriana.

Yksi esimerkki yhteistoiminnallisesta suodattamisesta on folksonomiat eli verkon kansanluokitukset. Ne ovat internetkäyttäjien yhteisöllisesti luomaa metadataa.

Sovellukset

Kaupalliset sovellukset

Suosittelujärjestelmien on todettu lisäävän verkkokauppaa, koska ne auttavat kauppojen asiakkaita löytämään tehokkaammin itselleen sopivia tuotteita Internetin valtavasta tarjonnasta. Suosittelujärjestelmien tarjoamat personoidut tuotesuositukset johtavat ostopäätökseen selvästi personoimattomia ehdotuksia useammin. Erityisen merkityksellisiä suositukset ovat aloilla, joiden markkinoilla on suuri valinnanvara, makuasioilla suuri merkitys ja matala hintataso.

Andersonin mukaan suositusmahdollisuudet ovat keskeisiä nettikauppojen menestystekijöitä. Suosittelujärjestelmät ovat yksi suodatusmekanismi, jolla kuluttajat saadaan siirtymään pitkän hännän tuotteisiin ja ostamaan hittien lisäksi marginaalituotteita. Se on siis osa uutta yksilöllisempää digitaalisen kaupan muotoa, jossa kysyntä ja tarjonta yhdistetään. Suosituksilla on kaikki mainonnan kysyntää lisäävä voima, mutta niiden kustannukset ovat alhaisemmat.

Kirjastosovellukset

Myös kirjastot käyttävät suosittelujärjestelmiä aineistotietokannoissaan. Mm. Hämeenlinnan, Keski-Suomen (Aalto-kirjastot) ja Pirkanmaan kunnankirjastot (PIKI-kirjastot) käyttävät sosiaaliseen mediaan perustuvaa Axiell Arena -alustaa, joka mahdollistaa automaattisen suosittelemisen samankaltaisten asiasanojen tai tunnisteiden kautta.

Ongelmia

Koska suosittelujärjestelmien toiminnan edellytyksenä on suurien käyttäjäjoukkojen aktiivisuus, käyttäjiä on oltava riittävästi, ja heidän oltava motivoituneita kertomaan omasta maustaan.

Käyttäjiltä kerättävän tietomäärän vuoksi kyse on myös yksityisyydensuojasta. Esimerkiksi Facebookin Beacon-laajennus poistettiin käytöstä voimakkaan vastustuksen vuoksi, koska se kertoi automaattisesti käyttäjien nettiostoksista heidän ystävilleen. Facebookin perustaja Mark Zuckerbergin mukaan tällaiset personoidut mainokset vastaavat suositusta luotetulta ystävältä.

Anderson on nähnyt ongelmana sen, että suositukset loppuvat helposti: mitä marginaalisempaa musiikkia, sitä vähemmän käyttäjiä, joilta kerätä dataa ja luoda yhteistoiminnallista suodattamista. Toinen ongelma on suositusten pysyminen pitkällä aikavälillä samanlaisina.

Musiikin suositusjärjestelmissä genrekohtaiset rajoitukset ovat olennaisia puutteita – esimerkiksi klassisen ja populaarin musiikin tekijyyskäsityksen yhteensopimattomuus (säveltäjä vs. esittäjä) tekee samankaltaisuuden määrittämisestä vaikeaa. Myös suodattaminen ylipäänsä genren tai esittäjän mukaan on vain rajattu tapa, eikä mahdollista esimerkiksi saman aikakauden musiikin suosittelemista.

Åmanin mukaan ongelmiin myös se, että yhteistoiminnallinen suodattaminen on amatöörien tekemää ja sitten altista esimerkiksi vääristelylle, kuten tunnisteiden käytössä pilailemiselle.

Lähteet

• Anderson, C. 2006. Pitkä häntä: Miksi tulevaisuudessa myydään vähemmän enempää. Suomentanut Pietiläinen, K. Helsinki: Terra Cognita. ISBN 978-952-5697-01-8.
• Metz, Cade: Facebook turns out light on Beacon The Register. 23.9.2009. Situation Publishing Limited. Viitattu 8.5.2012.
• Sarwar, B. M., Karypis, G., Konstan, J. A. & Riedl: Application of Dimensionality Reduction in Recommender System A Case Study (pdf) (WebKDD-2000 Workshop) glaros.dtc.umn.edu. 2000. Arkistoitu 17.8.2011. Viitattu 8.5.2012.
• Story, Louis & Stone, Brad: Facebook Retreats on Online Tracking NYTimes.com. 13.11.2007. The New York Times Company. Viitattu 8.5.2012.
• Takács, G., Pilászy, I., Németh, B. & Tikk, D: Scalable Collaborative Filtering Approaches for Large Recommender Systems. Journal of Machine Learning Research, 2009, 10. vsk, s. 623–656. Artikkelin verkkoversio. (pdf) Viitattu 8.5.2012. (englanniksi)
• Tuominen, K. 2006. Tiedon partaalla – kuinka hallita informaatiotulvaa. Helsinki: BTJ Kirjastopalvelu. ISBN 978-951-6927-01-8
• Åman, Pirkka: Musiikillinen serendipiteetti – musiikin verkkopalveluiden suositusominaisuudet uuden musiikin löytämisen apuna. Lähikuva, 3/2006, 20. vsk, s. 66–77.

Aiheesta muualla

• Kuurne, Jaakko (2007). Muistipohjainen yhteistoiminnallinen suodatus. Kandidaatintutkielma.
• Laveri, Jouni (2006). Käyttäjien profilointi verkkokaupoissa. Viitekehysmalli profilointimenetelmien vertailuun.
• Ruotsalo, Tuukka (2010). Methods and Applications for Ontology-based Recommender Systems.
• Salste, Tuomas (1998). Internet-kauppapaikan rakenteet. Diplomityö, Teknillinen korkeakoulu.