Post on 13-Jun-2015
description
Estado del Arte: Sistemas de Recomendación
Ignacio Salas DonosoIng. Civil Informática, UTFSM
Temario
Haciendo Recomendaciones
Resumen
Tipos de Sistemas de Recomendación
Retos y Oportunidades para los Sistemas de Recomendación
Haciendo RecomendacionesModelo del proceso de recomendación
Puede ser tanto una persona, como un sistema automatizado
Haciendo Recomendaciones
Sistema de Recomendación ítem
ítem
ítem
Convierte buscadores en compradores
Aumentan las ventas cruzadas
Construyen lealtad y credibilidad
Haciendo Recomendaciones
Sistema de Recomendación
Salida
Entradas del usuario Objetivo
Entradas de la Comunidad
¿Cómo se presenta la información?
¿Las personas juegan distintos roles o todos los usuarios del sistema juegan el mismo rol?
¿Qué preferencias se usan?
¿Cómo las recomendaciones son realizadas?
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Muchas personas deben participar, para tener más posibilidades de encontrar usuarios similares
Debe haber una forma sencilla de representar los interese de los usuarios en el sistema
Los algoritmos deben permitir encontrar personas con intereses similares
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
1. Asignar un peso a todos los usuarios con respecto a la similitud con el usuario activo.
0.1
0.7
0.7
1.0
0.1
0.9
0.2
2. Seleccionar los k usuarios más parecidos al usuario activo
3. Calcular una predicción desde una combinación ponderada de los puntajes de la vecindad
0.8
0.8 0.9 1.0
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Coeficiente de correlación de Pearson
Coseno entre los vectores de puntajes de ambos usuarios
Coeficiente de correlación de con voto por defecto
Frecuencia inversa del usuario
Caso de amplificación
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Coeficiente de correlación de Pearson
Voto del usuario a por
el ítem i
Voto promedio del
usuario a
1
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Coseno entre los vectores de puntajes de ambos usuarios
2
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Coeficiente de correlación de con voto por defecto
Modulo de la unión de los ítems
evaluados por los usuarios a y u
Una cantidad de ítems que los dos
usuarios aún no han evaluado
Voto por defeco
3
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Frecuencia inversa del usuario
La cantidad de usuarios que han
votado por j
4
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Caso de amplificacióníndice que enfatiza los pesos cercanos a uno y castiga los
pesos pequeños
5
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Una forma de estimar el voto del usuario objetivo es la siguiente
Voto promedio del usuario
objetivo
Desviación ponderada de los votos de la
vecindad
Factor de normalización de la medida de similitud
6
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
El filtrado colaborativo puede ser visto como el cálculo del voto esperado dado un usuario conocido
0.1
0.1
0.2
0.2
0.4
7
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
La principal fortaleza de este enfoque , son las recomendaciones personalizadas
El usuario puede encontrar ítems que no sabía que existían
Serendipia
Alto esparcimiento de los datos
El problema del primer voto
Pros
Contras
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Basado en Redes Inmunes
Se buscan anticuerpos (usuarios) con aciertos cercanos
La predicción se hace usando la formula (6) con
Concentración del anticuerpo v
AnticuerposAntígeno
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Con algoritmo genético (GA)
A
A
Preferencia de dos usuarios por el mismo producto
Distancia Euclideana
Ponderación de las 22 características del producto para el usuario objetivo
Calculado con GA
Se calcula el fitness de cada producto
Voto estimado – Voto real
El Fitness del usuario es el promedio de los fitness de los productos
Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo
Impulsado por Contenido
Sistema Basado en contenido
Matriz de pseudo puntajes
Se estima con un clasificador el puntaje del ítem no evaluado
Sistema de filtrado colaborativo
Ponderación Híbrida
Factor de Autoponderación
Puntaje
Le desagrada
Le agrada
Tipos de Sistemas de RecomendaciónSistemas de Recomendación Basados en Contenido
LIBRA (Learning Intelligent Book Recommending Agent)
Probabilidad de ser evaluado de forma positiva o negativa
Dado un conjunto de características del libro
Dada la presencia de alguna palabra
Tipos de Sistemas de RecomendaciónSistemas de Recomendación Basados en Contenido
Híbrido entre el enfoque basado en contenido y el filtrado colaborativo
Atributo 1Atributo 2
…Atributo N
0.3
0.01
0.2
Cada usuario pondera de forma
diferente los atributos de un
ítem
La similitud entre objetos, es la diferencia de sus atributos, ponderada por el usuario
Tipos de Sistemas de RecomendaciónSistemas de Minería de Datos Social
El camino a través del bosque
Kleinberg: autoridades y hubs
Explotan las preferencias del usuario implícitas en registros de actividades existentes en el sistema
TopicShop: reunión, evaluación y organización de colecciones de sitios web
Retos y Oportunidades para los Sistemas de Recomendación
Escalabilidad y rendimiento en tiempo real
Incorporando datos enriquecidos
Recomendaciones centradas en el consumidor
Conectar a los recomendadores con los vendedores
Evitar Fraudes
Privacidad
Resumen
El objetivo fundamental de un sistema de recomendación es proponer uno o más ítems para un usuario
Desde la perspectiva del comercio electrónico es relevante que los visitantes se queden en el sitio
Los sistemas basados en filtrado colaborativo, buscan a las personas con intereses similares a los del usuario objetivo
Los sistemas basados en contenido proveen recomendaciones por medio de comparar representaciones de contenidos describiendo a un ítem de interés
Los sistemas de minería de datos social analizan el historial de navegación de los usuarios de un sistema