Fibrer

Enpromillesregeln, någon?

Enligt Sturgeons lag är 90 procent av allt skit.

Enprocentsregeln säger att inte mer än en procent av dina besökare kommer ”generera innehåll”.

Betyder det att vi har en enpromillesregel här? Är det så att en ynka promille av dina besökare skapar innehåll som är något att ha?

Frågan är kanske inte så relevant.

När enprocentregeln kommer på tal brukar det påpekas att en lite större andel av besökarna, omkring 10 procent, är lite mer aktiva än den stora massan. De kanske inte skapar innehåll men de är inte passiva lurkers; de kommenterar, sätter taggar och annoterar innehållet på andra sätt.

Hos Fredrik Wackå läste jag att det kanske är mer relevant att tala om ”user-moderated content”. Detta just eftersom det är så många fler som redigerar eller annoterar. (Eller ”flaggar” innehåll som är olämpligt på något sätt.)

I klippet med Clay Shirky säger han att den genomsnittliga kvalitén förvisso går ned, men att det absolut sett blir bättre kvalité eftersom mängden producerat innehåll ökar. Det är inget nytt, säger han. Samma sak hände när tryckpressen kom.

Plötsligt producerades mer av det skrivna ordet och därmed också mer skit än när böcker tidsödande framställdes för hand.

Skillnaden mot då är att vi nu har verktyg för att sålla i skiten.

Vi kan om vi vill filtrera bort allt utom det som uppmärksammas av den stora massan. Det populära innehållet, de artiklar som fått flest ”tummen upp” den senaste tiden eller de videoklipp som visats flest gånger.

Vi kan också filtrera så att vi får se det som vi sannolikt har störst intresse av, även om det inte är populärt hos den breda massan. Detta genom att vi kan profilera användare och matcha dem mot varandra.

Vi kan dessutom filtrera bort allt utom det som händer i vår omedelbara närhet, det som uppmärksammas av vår egen klick i den sociala grafen.

Mer om enprocentregeln:

• Varför du inte kan bortse från enprocentsregeln - än
• Är enprocentregeln ett viktigt instrument för att locka användare?
• Är Webb 2.0 en monokultur? Och vad gör vi i så fall åt det?

(Foto av Trey Ratcliff under Creative Commons-licens.)

Spotify och att matcha reklam mot musiklyssnare

Som sagt kommer Spotify finansieras av reklamspottar som då och då sänds mellan låtar.

Och detta ska vara riktad reklam, dvs. att den ska uppfattas som relevant och intressant av mottagaren. Samtidigt som avsändaren givetvis ska känna att det är väl spenderade pengar.

Nu vet jag inget om hur deras lösning kommer fungera – i betan är det ingen reklam –, men jag har funderat på hur det skulle kunna fungera. Alltså hur man skulle kunna skramla fram reklamspottar som borde uppfattas som relevanta av mottagarna, baserat på vad de lyssnar på för musik.

Först och främst måste man profilera folk. Med det menar jag att man bygger upp en profil utifrån det de lyssnar på – och även vad de inte lyssnar på (de spår de skippar förbi). Detta skulle kunna vara i form av en rak lista med allt som spelats respektive skippats. Det skulle också kunna vara en grövre lista över genrer och antal spelningar samt skippningar.

Baserat på en sådan profil kan man sedan matcha användare mot varandra och få fram sådant som en enskild användare borde gilla, eftersom andra som lyssnar på ungefär samma saker som jag också lyssnar på det. (Dvs. samma som för rekommendationer.)

Så om man tänker sig reklamspottar för musikartister blir det ganska enkelt. Då är det mer en fråga om att rikta spottar för skivor med artister mottagaren gillar (som de har lyssnat mer på än annat) eller borde gilla (som andra än mottagaren har lyssnat på mer än annat, men som mottagaren i övrigt ”liknar” om man jämför deras profiler).

Men hur gör man för andra saker än musik? Hur kan man rikta en reklamspot från säg Volvo baserat på människors musikala profiler?

För att göra det behöver man på något sätt kartlägga användarnas preferenser utöver musiken. Ett sätt vore att göra ett slumpmässigt urval bland användarna och låta dessa besvara enkäter som ringar in dem demografiskt. Därefter bör man kunna matcha ihop dessa demografiska profiler med de musikala. Och på så sätt bör man kunna rikta reklamspottar för allt man kan beskriva den önskade demografin.

Först och främst skulle man beskriva målgruppen för en reklamspot i samma demografiska termer som används i enkäten. Då bör man utifrån denna kunna matcha fram ett antal demografiska typprofiler att jämföra med. Från dessa hämtar man sedan de musikala profilerna för dem som svarat på enkäten. Dessa matchas slutligen mot individers profiler för att kunna spela upp de spottar som borde vara relevanta för dem.

Sedan har jag ingen aning om det skulle ge ölrekam för Ulf Lundell-diggare och bolånereklam för dem som diggar Wilco.

Diskuterat: Rekommendationer och användargenererat innehåll

Snacket fortsatte i fredags om en hypotetisk social evenemangssajt och vad en sådan skulle innehålla. Här är några fler utdrag.

Ska alldeles strax öppna chatten, hang on.

Rekommendationer: “Om du gillade Jarvis Cocker på Berns borde du gilla Vårsalongen på Liljewalchs”

Manfred: bara genom att ha skummat igenom texten så låter det som en mix mellan digg och upcoming eller är jag helt ute å cyklar?

Peter: Diggs rekommendationssystem är ju rätt simpelt. Du får inga tips på grejer baserat på vad du har diggat. Det handlar bara om vad som är populärt just nu.

Har du pekat ut kompisar på Digg så blir det lite mer socialt: då kan du se vad dina kontakter har diggat och du kan titta på bara sånt som flera diggat.

Så Upcoming är egentligen redan där. Pekar du ut kompisar kan du se vilka evenemang de ska gå på, eller funderar att gå på. Du kan prenumerera på det, osv.

Intressant blir det först, tycker jag, när jag kan bli tipsad om Vårsalongen på Liljewalchs för att jag gick och såg Jarvis Cocker och tyckte det var bra.

Jonas: Det är konstigt att upcoming inte har sådana rekommendationer.

Manfred: skulle inte det kräva ganska mycket av användaren, det förutsätter att varje event klassificeras enligt en regel/regler. Annars blir det ju svårt för systemet att veta vad som hör ihop med vad.

Om man inte gör någon pandora variant, där jag som användare lär systemet (fin justerar inställningarna) under en period

Peter: Det behövs inte klassificeras. Taggar räcker nog långt i det här fallet.

Jonas: Eller varför inte, folk som är intresserade av det här eventet är också intresserade av X och Y.

Peter: Men visst, det förutsätter att det finns de som är mer engagerade, lägger in evenemang, taggar upp dem osv. Samt att de vill markera intresse för evenemang, och om de gick på ett kryssa i efteråt att de gick.

Jonas: Hmm… Upcoming har iofs “If you like this, you might also like…”

Manfred: men hur får du kopplingen mellan Jarvis Cocker och Vårsalongen? (har ingen aning om vem Jarvis C är)

Peter: Det rekommendationssystem handlar om är att hitta liknande/relaterade objekt. Evenemang i det här fallet.

Olika saker kan användas för att koppla dem samman.

För Vårsalongen och Jarvis Cocker (brittisk popartist) så skulle de kopplas samman av att flera användare markerar båda som intressant, eller att de varit och sett båda.

Hur får man rekommendationer av god kvalitet?

Albert: Frågan är om det kommer bli vettiga rekommendationer

Med tanke på hur lokalt det är artister kan man ju jämföra men lokala evemenang

Peter: Det är just grejen. Det hänger helt och hållet på å ena sidan antalet användare och å andra sidan antalet faktorer man använder för att koppla samman saker.

På svenska nätbokhandlar, t.ex., är köprekommendationerna nästan helt värdelösa, eftersom det är relativt sett så låg trafik. Men på Amazon räcker det långt att bara titta på vilka andra böcker folk har köpt.

Med Vårsalongen och Jarvis Cocker, där är det två väldigt olika företeelser. Men låt säga att två-tre personer du pekat ut som vänner varit på båda, då är det lite mer sannolikt att de skulle vara intressant för dig.

Albert: Jag gjorde en liten “lägg upp mp3 och betygsätt de andras”-sida för ett år sen. La ett rekommendationssystem under det men det blev ju helt värdelöst

Peter: Ja. Och det är ju Digg-modellen. Och man kan ju se att de svenska Digg-klonerna är tämligen värdelösa, medan man kan hitta rätt mycket intressant på originalet.

Manfred: Jag kan ju bara titta på den lilla värld jag lever i med 2 små barn. Det vore ju helt grymt bra om jag kunde få tips på evenemang som jag kan gå på med mina barn. Däremot så kan dessa inte vara baserade på vad mina vänner gått på, för den informationen har jag redan.

informationen måste baseras på något annat, typ det jag varit på och vad jag tyckte om. Med den informationen så ska sedan systemet ge mig förslag på andra event.

frågan är ju om taggar räcker till för att klara det

Peter: Inte enbart taggar. Man får titta på allt som kan användas till att koppla samman saker.

Albert: Det vore fint om man enkelt kunde se vad andra går på och själv notera om någon varit på evenemang man gillar. Och öronmärka den personen

Manfred: absolut

Peter: Ja. Och alla sådana saker kan användas för att vaska fram det som borde vara intressant. Jag försökte beskriva det här i två inlägg nyligen: http://fibrer.fleecelabs.se/articles/2007/... och http://fibrer.fleecelabs.se/articles/2007/...

Hur får man användare att skapa innehåll och hålla det aktuellt?

Jonas: Jag funderade lite på koncerter. Det jag skulle vilja se är en lista med koncerter för varje artist. Och sen ser några människor (fan club?) till att en viss artist alltid är up to date. Med typ en såndär städlista som de har på toaletterna på McDonald’s så man ser att man kan lita på infon.

Peter: Hehe, har nog inte gått på toa på McDonalds på länge.

Albert: Jag har tänkt igenom den bakomliggande designen ganska väl just kring olika sorters evenemang, att de kan vara flera ggr. osv. Så om nån vill realisera så kan jag leta upp och skicka över de papperslapparna :)

Jag funderade på nått passande sätt att värdera vad olika människor lägger in, om informationen är korrekt

Peter: Det där görs ganska snyggt på http://www.43places.com/. Titta till exempel på http://www.43places.com/visit/Svart-Kaffe-...

“1 person thinks this is a Destination (restaurant, hotel, museum, business, park, tourist attraction). Including you. Re-vote?”

Dvs. man röstar om hur något ska klassificeras.

Och det kan handla om att styrka/bestrida informationen som visas. “13 personer tycker att denna information är korrekt”.

Och med alla sådana saker tror jag det är viktigt att göra det synligt för användarna i vilken utsträckning de har bidragit. Någon sorts ranking.

Jonas: Det känns som att folk bara matar in events som de tänkt gå på, eller som de arragerar. Tror att det behövs att folk känner ägandeskap för en viss nisch (t.ex. alla Christina Aguilera koncerter) för att man ska kunna få nåt som närmar sig heltäckande.

Peter: Ja. Jag skulle nog inte lägga in grejer jag inte är intresserad av att se.

Manfred: wow, här har vi ju en hel applikation i textform :)

Är 2007 individanpassningens och de personliga rekommendationernas år?

BusinessWeek nyligen:

Om 2006 handlade om community och användargenererat innehåll så kommer 2007 och kommande år kretsa kring individens önskemål.

Dvs. personliga rekommendationer; automatisk individanpassning.

Detta är egentligen ingenting nytt, fortsätter artikeln och pekar ut Amazon och Google som tidiga exempel.

Nu tycker jag det är lite långsökt att placera detta i samma fack som anpassningsbara startsidor, som i fallet Google.

Amazon, däremot; någon gång kring 1998 började de experimentera med rekommendationer baserade på hur man betygsatt böcker (BookMatcher) och de har fortsatt till dags dato.

Som tecken på att 2007 blir individanpassningens år ges Digg, som senare i år får personliga rekommendationer. Vidare nämns att Yahoo och AOL samt ett gäng startups antingen har släppt eller arbetar på sådana funktioner.

Syftet då? För Amazon är den tydlig. 35 procent av försäljningen påstås komma från rekommendationer. Men för de andra?

Enligt artikeln är främsta syftet att hålla dig kvar längre så du kan exponeras för mer reklam. Så länge du hittar mer saker som intresserar dig kommer du stanna kvar.

Det är ju en vinkel att se det från. Själv skulle jag föredra att sätta nyttan för användaren främst.

Men visst ligger det något i det. Dock, om man har du AdSense så tjänar man inget på visningar utan på klick, och klick tar användaren med sig bort från din webbapp.

Ytterligare en faktor att ta hänsyn till är den personliga integriteten. Att samla data till rekommendationer förutsätter att man profilerar användarna, att man sparar vad de gillar och inte gillar, vad de tittar på, osv.

Hur som helst, jag tror stenhårt på rekommendationer och transparent individanpassning. Det går att tillämpa på så många områden och det är ett enormt kraftfullt sätt att sålla i information.

(Men, det händer ju inte i Sverige 2007. Möjligen utomlands.)

Rekommendationer: ett nytt försök att få klarhet i vad fasen det går ut på

Som uppföljare till texten om rekommendationer, en IM-diskussion som förhoppningsvis förmedlar mer av det jag ville ha sagt.

Svante: Hmm, jag tyckte bloggningen om rekommendationer var intressant men kunde varit vassare. När vi pratat om det har du övertygat mig mer.

Peter: Ok. Det hela började med att jag läste en text om rekommendationssystem av Alex Iskold på ReadWrite/Web. Där föreslog han en taxonomi för rekommendationer, typ:

• Personalized recommendation – recommend things based on the individual’s past behavior
• Social recommendation – recommend things based on the past behavior of similar users
• Item recommendation – recommend things based on the thing itself
• A combination of the three approaches above

Ju mer jag funderade på det så kände jag att det inte var rätt sätt att beskriva det på. Men jag kämpade med texten för länge och blev tvungen att posta den eftersom klockan blev så mycket.

Svante: hur funkar personlig? de andra hajar jag

Peter: Som jag skrev så är det vanliga exemplet “De som köpt denna bok har också köpt…”

Svante: det är social antar jag?

Peter: just. Dvs. att andras handlingar, köp i detta fallet, kopplar ihop böcker, och när du tittar på en bok så visas de som kopplats ihop med den av genomförda köp.

Personlig vore att du tittar på en bok, och presenteras av andra böcker baserat på dina egna tidigare handlingar (säg köp, för att hålla det enkelt).

Men, det förutsätter något mer. Något som kopplar ihop böckerna. Något annat, alltså. Du måste hitta böcker som på något sätt liknar den boken du tittar på.

Svante: folksomomi el och taxonomi antar jag?

Peter: Folksonomi då, dvs. böcker som taggats likadant som den du tittar på, det är ju en form av “item recommendation”. Man lägger på metadata som gör att man kan avgöra vad som är lika.

Men jag kan inte se att någonting kan vara enbart personlig. Såvida inte du har köpt boken du tittar på och listar andra böcker du också köpt. Vilket vore meningslöst.

Det är om man blandar in andra typer av handlingar. Typ andra böcker du har tittat på. Då skulle det kunna bli meningsfullt.

Svante: betygsättning? popularitet i allmänhet?

Peter: Hehe, nu förekommer du mig lite. Jag återkommer till det. Här är från mina anteckningar:

Det jag menar är att objekt kopplas samman av något. I fallet taggar är det någon form av metadata som beskriver objekten snarlikt.

Sedan kan det vara beteende, och jag är inte säker på att det är meningsfullt att skilja på socialt och personligt.

Svante: nä, där håller jag med dig (tror jag)

Peter: Du tittar, köper, betygsätter, bokmärker, delar med dig med en vän, osv.

Det som jag tror är meningsfullt är att handlingarna kopplar dem samman. Ju fler lika handlingar för två eller fler objekt desto starkare är likheten.

Sedan, ovanpå detta, tror jag det kan vara meningsfullt att ha tre skikt: det personliga, det sociala, och det populära.

Det kanske är mer ett spektrum: jag - mina vänner – mina kontakter - användare i gemen.

Sedan, den sista formen som kopplar samman, det är ju attribut hos objektet självt. Ingredienser för recept, t.ex. Eller det där “DNA:t” som beräknas fram av Pandora, ett genetisk kod så låtar kan matchas mot varann, man kan få ett mått på hur lika de är. Alex Iskold skrev om det i sin text.

En recap:

• Vi har objekt. För att kunna ge rekommendationer behöver vi kunna hitta relaterade objekt.
• Objekt relateras av olika saker.
• Kan man relatera objekt baserat på deras inre egenskaper är det toppen. (Typ Pandoras “DNA”. Eller för böcker vilken författaren är. Eller för recept vilka ingredienserna är.)
• Nästa steg är metadata. En boks kategorisering, dess förlag.
• Och till sist har vi relatering på handlingar kring objekten. Titta, bokmärka, kommentera, betygsätta, tipsa en vän.

Där har vi olika sätt att relatera objekt till varann.

Nu återkommer jag till popularitet.

Svante: Toppen!

Peter: Popularitet är en annan dimension, som jag ser det. Jag har en aning om att rekommendationssystem handlar om likhet och popularitet, och att dessa kan kombineras.

Handlingarna kan ju även användas till popularitet. Det är en kategori Iskold inte har med. “Popularity recommendation”, vilket är vad Digg och andra gör. Det enda som sker är att man listar det som fått flest diggs.

Nu sker det lite mer bakom kulisserna, tror jag. Jag tror man väger in antal kommentarer, osv.

Men det sker ingenting egentligt med koppling på beteende/handling rent socialt. Digg lär sig inte vilka grejer jag diggar, så den kan föreslå sånt jag borde gilla.

Inte mer än att jag kan peka ut kompisar och se vad de har diggat nyligen.

Men det är ändå en meningsfull rekommendation. Det finns ett intresse i det som är populärt just nu.

Och där har ju Digg lite av spektrat: du kan se vad dina kompisar har “enats om” är intressant just nu. Och du kan se vad alla användare enats om.

Men jag tror det är när allt detta kombineras som det blir riktigt användbart.

Rekommendationer är mer än "De som köpt denna bok har också köpt..."

Rekommendationer är en central del av webb 2.0.

Det behöver inte påpekas att behovet av att sålla och vaska fram det intressanta är större än idag än någonsin.

När rekommendationer nämns i tidningsartiklar brukar exemplet oftast vara “De som köpt denna bok har också köpt…”. Men det är en simpel form av rekommendation. Och väldigt ineffektiv.

En utmaning: gå till Bokus och försök hitta en bok där du inte får tips om någon av Da Vinci-koden, Fredrik Paulúns bok om glykemiskt index eller Susan Tanners bok om att ta sig ur depressioner.

Ok, det är inte så svårt, men de flesta av rekommendationerna är rätt meningslösa. Gillar du Svensk författningssamling? Kanske skulle du prova på John Ajvide Lindqvists Hanteringen av odöda?

Men om vi börjar där ändå, med “De som köpt denna bok…”. Du tittar på en viss bok, säg Jonathan Safran Foers Extremt högt och otroligt nära. Intill listas en handfull andra böcker som står i samma bokhyllor som Foers bok, bland dessa Dan Browns Da Vinci-koden.

Det rekommendationssystemet gör är att dra en slutsats om att Browns och Foers böcker är lika på något sätt. Trots allt har flera människor köpt båda böckerna. Något måste de ju ha gemensamt.

Likhet är centralt i rekommendationssystem.

Låt vara att dessa båda böcker egentligen är väldigt olika. Men tittar man enbart på genomförda köp så bortser man från en stor mängd ledtrådar om vilka böcker som faktiskt borde tilltala den som läst Foers bok.

Tittar man på samma bok hos Amazon, så kan man se en liknande lista med andra böcker som bedöms vara liknande baserat på genomförda köp. Eftersom det genomförs ofantligt många fler köp hos Amazon är denna lista mer rättvisande. Till exempel listas Foers debutbok.

Det finns också en lista över vilka böcker de som tittat på Foers bok slutligen valde att köpa. 78 procent slog till men tio procent köpte i stället Nicole Krauss The History of Love, en procent köpte Dave Eggers A Heartbreaking Work of Staggering Genius.

Är denna lista mer användbar? Kanske. Kanske inte. Men det är två olika sätt att bestämma likhet. Tillsammans har de en större chans att ge en mer nyanserad bild.

Mer om detta i morgon. Eller, idag blir det ju.

Massans intelligens handlar om mer än tummar upp eller tummar ned

“Intressanthet” hör till hjärtat av Webb 2.0, skriver Tim O’Reilly i sin blogg. Det handlar om att utnyttja massans intelligens. Han nämner i samma svep också Googles PageRank och Diggs “diggs” som exempel på detta.

Av O’Reillys exempel är det Flickr som jag tycker är mest intressant. Därtill finns Amazon som O’Reilly tidigare pekat ut som ett måste att ha koll på.

Anledningen till att jag tycker att de två är intressantast är att varken Flickr eller Amazon nöjer sig med bara “tummen upp”. De ser inte massan som bara en hop tummar som vänds upp eller ned. De går bortom tummarna och skapar en intresseranking som baserar sig på en rad kombinerade faktorer.

Flickrs “Interestingness” finns vad jag vet inte beskriven i detalj. Men klart är att den grundas på åtminstone antal användare som tittat på en bild, antal kommentarer en bild har fått, samt hur många som har markerat en bild som en favorit (tummen upp).

Amazons algoritmer för att ranka böcker (och andra produkter) är också en hemlighet. I deras fall motsvaras “tummen upp” av ett genomfört köp. Utöver detta så skapar de intresseranking från en mängd olika faktorer. Amazon verkar t.ex. sänka rankingen för böcker man tittat på men valt att inte köpa. Och de rankar olika beroende på hur man nådde fram till boken. Om man gjort en sökning och väljer en sökträff längre ned i listan verkar den rankas högre än om man valt någon i toppen av listan.

Det var detta jag försökte förmedla när jag skrev om “enprocentregeln”. Det må finnas en sanning i att en till tio procent av användarna deltar aktivt i en social webbapp. Men förhoppningsvis kommer fler följa Flickrs och Amazons exempel och fånga upp mer av vad användarna gör mindre aktivt. I takt med det kommer den regeln, om den finns, att minska i betydelse.

Visst, användarna ger tummen upp, men vad kan vi utvinna för information ur allt det andra de gör?

Tim O'Reilly: "Hjärtat i Webb 2.0 är tygla den kollektiva intelligensen"

När Tim O’Reilly får chansen att föreläsa inför avgångselever på UC Berkeleys School of Information så väver han in en hel del Webb 2.0 i den livsvisdom han försöker förmedla till ungdomarna när de ger sig ut i arbetslivet.

Här är några citat jag strök under när jag läste.

The applications that succeed on that new computer platform [Internet, givetvis] are those that understand deeply what it means to be network applications.

Denna slutsats baserar han på observationen att de företag som överlevde dotcombubblan var de som på ett eller annat sätt var exceptionella på att utnyttja det användarna skapar.

A true Web 2.0 application is one that gets better the more people use it. Google gets smarter every time someone makes a link on the web. Google gets smarter every time someone makes a search. It gets smarter every time someone clicks on an ad. And it immediately acts on that information to improve the experience for everyone else.

Det handlar alltså inte bara om det användarna skapar rent konkret, som när någon länkar till en annan webbplats. Det handlar även om det som indirekt skapas, att man utvinner och förädlar datat om vad användarna gör, som när de söker efter något och klickar på ett sökresultat. (Vad söker de efter? Vilket sökresultat fastnar de för?)

Det är detta som är hjärtat i Webb 2.0, säger O’Reilly. Att “tygla kollektiv intelligens”.