capítulo 2: estado del arte, sistemas de recomendacion

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


Sistema de Recomendación ítem

ítem

ítem

Convierte buscadores en compradores

Aumentan las ventas cruzadas

Construyen lealtad y credibilidad


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


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


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


Coeficiente de correlación de Pearson

Voto del usuario a por

el ítem i

Voto promedio del

usuario a

1


Coseno entre los vectores de puntajes de ambos usuarios

2


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


Frecuencia inversa del usuario

La cantidad de usuarios que han

votado por j

4


Caso de amplificacióníndice que enfatiza los pesos cercanos a uno y castiga los

pesos pequeños

5


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


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


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


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


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


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

capítulo 2: estado del arte, sistemas de recomendacion

Education