Александр Долгин - Экономика символического обмена

• Название: Экономика символического обмена
• Автор: Александр Долгин
• Жанр: Экономика

---

303

Исполнители крайне заинтересованы в чартах еще и потому, что по условиям контракта они имеют проценты от объема продаж.

304

Снежный ком – это почти термин, широко употребляемый в экономической ­теории звезд (См.: Adler M. Stardom and Talent // The American Economic Review, Vol. 75, № 1, 1985. P. 208–212).

305

Delaney K. J. Internet Firms Face Legal Test On Advertising Fees // The Wall Street Journal, April 5, 2005.

306

Помимо Google и Yahoo, в качестве ответчиков в иске указаны Time Warner и его подразделение America Online, онлайновое подразделение Walt Disney, поисковики Ask Jeeves, Lycos, FindWhat.com и LookSmart.com.

307

The Official UK Charts Company – инстанция, учрежденная музиндустрией для того, чтобы регулировать и контролировать деятельность чартов, гарантируя тем самым объективность и корректность оценки популярности. Данные о продажах поступают от 5600 ретейлеров, включая все крупнейшие торговые сети, а также 600 независимых магазинов, охватывая 99% рынка синглов, 95% рынка альбомов и 80% видеорынка. Правила регламентируют формат (т. е. число треков в сингле или альбоме, их продолжительность и упаковку). Информация взята с сайтов The Official UK Charts Company.

308

Профессиональный журнал в области музыкальной и развлекательной индустрии, сегодня самый авторитетный в мире. Основан в 1896 г. в США, штат Огайо. Изначально специализировался на информации о сельскохозяйственных ярмарках, манифестациях, шоу и т. д. Со временем профиль журнала изменился, он стал писать о музыкальном бизнесе, видео, шоу-бизнесе. Всю первую половину ХХ века «Billboard» публиковал множество разных чартов и списков – бестселлеры розничной торговли, самые популярные песни на радио, самые продаваемые ноты, самые проигрываемые песни на музыкальных автоматах и т. д. Помимо хит-парадов по музыкальным стилям журнал регулярно печатает «горячую десятку».

309

На рынках США и Канады ранжированием музыки занимается компания Nielsen SoundScan. В ее рейтинги попадает информация о продажах компакт-дисков в 14000 торговых точках США и Канады, в том числе в on-line магазинах. (Любой продавец может поставить у себя на кассе устройство, которое будет считывать штрих-код пластинки и таким образом отслеживать ее продажу.) В 2003 г. система Nielsen SoundScan начала мониторинг покупок цифровой музыки и через интернет. Информацию Nielsen SoundScan используют многие популярные издания, радиостанции и телеканалы (журнал «Billboard», каналы MTV, VH1), а также звукозаписывающие фирмы. В Великобритании на подобном бизнесе специализируется компания The Official UK Charts Company. По результатам ее исследований составляется большинство хит-парадов, в том числе и так называемый «Официальный британский чарт» (Top 40 радио «Би-би-си»).

310

Вскоре после этого «Billboard» перестал вести многие другие чарты, сконцентрировавшись на «горячей сотне». В 1984 г. журнал опять начал публиковать отдельные чарты по результатам продаж и радиотрансляций, но ни эти чарты, ни другие десятки чартов, публикуемые «Billboard», не имеют такого охвата и влияния на музыкальную индустрию, как «горячая сотня».

311

Strobl E. A., Tucker C. The Dynamics of Chart Success in the U. K.; Bradlow E., Fader P. A Bayesian Lifetime Model for the «Hot 100» Billboard Songs // Journal of the American Statistical Association, Vol. 96, № 454, 2001. P. 368–381.

312

Медиаметрия – исследования с целью установить размер и состав аудитории СМИ (см.: Фомичева И. Индустрия рейтингов. Введение в медиаметрию. М.: Аспект Пресс, 2004. С. 138). Здесь рейтинг – это величина реальной аудитории данного СМИ, выраженная в процентах ко всему населению или потенциальной аудитории издания.

313

Hubble J. The Effectiveness of Movie Ratings. Working Paper [on-line], May 7, 1997. [cited Jul. 14, 2003]. Available from URL: <http://www.geocities.com/Athens/6378/pols306.html>.

314

Назван по имени его главы Will H. Hays.

315

Джек Валенти, возглавив Киноассоциацию Америки, незамедлительно отменил Hays Code и внедрил новую рейтинг-систему, оценивающую готовые фильмы.

316

Valenti J. The Voluntary Movie Rating System. MPAA, December 1996.

317

В разделе частично использованы материалы обзорной работы: Adomavicius G., Tuzhilin А. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions // IEEE Transactions on Knowledge and Data Engineering, Vol. 17, № 6, June 2005.

318

С середины 1990-х гг. рекомендательные системы выделились в самостоятельную область научных исследований, которые опираются на достижения когнитивных наук, наработки информационно-поисковых систем, теорию прогнозирования и проч.

319

Это можно записать следующим образом: где С – это множество пользователей (вплоть до многих миллионов), S – группа предлагаемых товаров (тоже миллионы единиц), U – функция полезности, описывающая полезность предмета S для пользователя С.

320

Дополнительно о рекомендательных системах см. приложение 1, глава 11.

321

См. приложение 1, раздел 11.8.

322

См.: Terveen L., Hill W. Beyond Recommender Systems: Helping People Help Each Other // Carroll J. (ed.) HCI in The New Millennium. Addison-Wesley, 2001.

323

Baeza-Yates R., Ribeiro-Neto B. Modern Information Retrieval. Addison-Wesley, 1999; Salton G. Automatic Text Processing. Addison-Wesley, 1989.

324

Belkin N., Croft B. Information Filtering and Information Retrieval // Comm. ACM, Vol. 35, № 12, 1992. P. 29–37.

325

Например, система Fab, специализирующаяся на рекомендациях веб-страниц, представляет их контент в виде 100 наиболее важных слов. Система Syskill & Webert описывает документы с помощью 128 самых информативных слов. Существуют различные методы вычисления «важности» и «информативности» слов в документах. Например, метод частотности / обратной частотности. Суть его такова: пусть N – некоторое количество документов, которые могут быть рекомендованы пользователям. В части этих документов (ni) встречается ключевое слово kj. Кроме того, предположим, что fij – это количество раз, которое ключевое слово kj встречается в неком конкретном документе dj. Тогда TFij – частота употребления ключевого слова kj в документе dj – определяется как где максимум вычисляется из частотности fz,j всех ключевых слов kz, встречающихся в документе dj. Однако если ключевые слова широко распространены во многих документах, то система не в состоянии корректно выбрать необходимый текст. Поэтому измерение обратной частотности слова (IDFi) часто используется наряду с измерением обычной частотности (Tfij). Обратная частотность для ключевого слова ki обычно определяется как Тогда вес ключевого слова ki в документе dj определяется как а контент документа dj определяется как (Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems…)

326

Это можно записать так: Существуют другие контентные методы, такие как байесов классификатор, машинное самообучение, включающие кластеризацию дерева решений, искусственные нейронные сети.

327

Tapestry помогала пользователю оценивать электронные сообщения как «плохие» или «хорошие», ориентируясь по оценкам других людей. Например, некто мог обратить внимание на документы, которые отметил конкретный человек, или мог воспользоваться документами, аннотации которых содержат ключевые слова. (См.: Terveen L., Hill W. Beyond Recommender Systems…)

328

Тут возникает задача суммирования рецензий, рассмотренная, например, в работе: Hu M., Liu B. Mining and Summarizing Customer Review // Proc. of the 10th ACM SIGKDD, 2004. P. 168–177.

329

Поисковик Google сообщал о намерении платить внештатным экспертам за присланные аналитические материалы о продуктах.

330

Breese J. S., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering //Proc. 14th Conf. Uncertainty in Artificial Intelligence, July 1998; Billsus D., Pazzani M. Learning Collaborative Information Filters // Proc. Intl Conf. Machine Learning, 1998.

331

Nakamura A., Abe N. Collaborative Filtering Using Weighted Majority Prediction Algorithms // Proc. 15th Intl Conf. Machine Learning, 1998; Delgado J., Ishii N. Memory-Based Weighted-Majority Prediction for Recommender Systems // Proc. ACM SIGIR’99 Workshop Recommender Systems: Algorithms and Evaluation, 1999; Resnick P., Iakovou N., Sushak M., Bergstrom P., Riedl J. GroupLens: An Open Architecture for Collaborative Filtering of Netnews // Proc. 1994 Computer Supported Cooperative Work Conf., 1994; Shardanand U., Maes P. Social Information Filtering: Algorithms for Automating «Word of Mouth» // Proc. Conf. Human Factors in Computing Systems, 1995.

332