Оттолкнемся от недостатков, присущих нынешним методам обработки частных суждений или потребительских реакций. Взять, к примеру, рейтинги: не ясно, чье мнение они отражают. Рейтинг служит производителю, служит толпе, а для индивида он является очень приблизительным ориентиром. Ведь для того, чей вкус отклоняется от некоего среднестатистического шаблона, рейтинг всегда либо занижен, либо завышен по отношению к его собственному мнению о данном предмете. Возьмите лондонский музыкальный «Топ 20» — с большой вероятностью вы не обнаружите для себя ни одной цепляющей песни. Таков любой чарт, выводимый из статистики продаж, за которой стоит одновременно и консерваторская профессура, и меломаны из подворотни (с естественным перекосом в сторону последних). Чтобы персонализировать рейтинг, надо каким-то образом отсеять суждения людей, отличающихся друг от друга. Для пользы дела важней вычленить похожих и адресно довести до них мнения их единомышленников. Может оказаться, к примеру, что из миллионной аудитории какого-то фильма нашими глазами его посмотрели всего пятьсот человек. Впечатление этих 0,05 % и должно, главным образом, нас интересовать.
Главное в коллаборативном механизме — это то, как подбираются группы похожих людей. В основе программного алгоритма — гипотеза, что совпадение в настоящем выводимо из совпадения в прошлом. В отличие от всего, что делалось ранее, близость идентифицируется не по результатам какого-либо психологического тестирования и не по социодемографическим данным (хотя это и не исключется), а на основании прямо выраженного отношения к одним и тем же объектам потребления, событиям, текстам…