同論文には、Amazonのレコメンデーションエンジンの開発を助けたGreg Linden氏からの反論も掲載されている。Linden氏は、「推薦のアルゴリズムは、Netflixがそうしているように、在庫カタログ(つまりロングテール)に都合がいいように簡単に合わせることができる」と主張する。
早期導入者が演じる「クールハンター」の役割、レコメンデーションエンジンに対する嗜好を作る役割そして広告者の役割は注目に値する。
わたしのレコメンデーションエンジンに対する個人的な考え方はこうだ。わたしのブックマークを見てわたしが興味を持つかもしれないURLを推薦してくれるだけでなく、del.icio.usにはわたしと好みが似ている他のユーザーも推薦してほしい。さらに、自分の優先順位の参考にできるよう、推薦されたユーザーがどの項目を最も早い段階で興味を持ったかも教えてほしい。
繰り返しは人気を記述するもう1つの方法であり、常に消費を後押しするだろう。しかし、もしわたしが他の人が見つけたものすべてを見られたとしたら、その情報を使って人気のないものをわざと選ぶこともできる。
これは洗練されたレコメンデーションエンジンには通常入っていると思われるが、他の評価基準に「アテンションデータ」があり、これは単なる興味の似ている人の間で人気のあるものを超えたレコメンデーションを強化することができる(アテンションデータに関する詳細については、こちらの記事を参照してほしい)。
この研究が言っているように単純な人気しか量っていないレコメンデーションエンジンを拒むというのは勧められることではないが、この議論を考慮に入れることは重要だろう。
CNET Japanの記事を毎朝メールでまとめ読み(無料)
ZDNET×マイクロソフトが贈る特別企画
今、必要な戦略的セキュリティとガバナンス
住環境に求められる「安心、安全、快適」
を可視化するための“ものさし”とは?
ものづくりの革新と社会課題の解決
ニコンが描く「人と機械が共創する社会」