sistemas(híbridosde( recomendación(dparra.sitios.ing.uc.cl › classes › recsys-2014-2 › pdfs...
TRANSCRIPT
Sistemas Híbridos de Recomendación
IIC3633 RecSys 2do semestre 2014 23 de Sep=embre
Denis Parra
Resumen
• Mo=vacion • Clasificación General • Modelos de Hibridización • Ejemplos
Mo=vación
• Diferentes métodos =enen gran dis=ntas debilidades y fortalezas – Filtrado Colabora=vo es preciso, pero sufre de sparsity, cold start y new item problem
– Filtrado Basado en contenido no sufre tanto por sparsity, pero sí por new user, facilidad para extraer features del contenido y sobre especialización
– Knowledge-‐based: No los hemos visto hasta ahora. Casos Wpicos son Constrait-‐Based y Case-‐Based. Basados en un paradigma más interac=vo, también los llaman “Conversa=onal” (Burke, 2002).
Burke 2002
Sistema Recomendador “Caja Negra”
Figura sacado de Jannach et al. 2012
De Adomavicius et al. 2005 Formas de combinar CF y CB: 1. Implementar métodos CF y CB separadamente y
combinar las prediccion 2. Incorporar caracterís=cas de métodos CB dentro
de un método CF 3. Incorporar caracterís=cas colabora=vas dentro
de modelo CB 4. Construir un modelo que de manera unificada
incorpore caracterís=cas basadas en contenido y colabora=vas
Cómo combinar los métodos?
• Burke (2002) dis=ngue 7 estrategias de hibridización
• Jannach (2012) resume las 7 estrategias en 3 diseños generales – Monolí=co – Paralelizado – Pipeline
7 Estrategias de Hibridización, Burke 2002
7 Estrategias de Hibridizacion
Parallel
7 Estrategias de Hibridizacion
Monoli=c Monoli=c
7 Estrategias de Hibridizacion
Pipeline
Pipeline
Diseño Híbrido Monolí=co
Estrategias de Combinación: • Feature Combina=on • Feature Augmenta=on
Híbrido: Feature Combina=on
Híbrido: Feature Combina=on II
Híbrido: Feature Augmenta=on
Híbrido: Feature Augmenta=on
Usar estas “features” en un nuevo recomendador
Diseño Híbrido Paralelizado
Estrategias de Combinación: • Weighted • Mixed • Sw=ching
Híbrido Paralelo: Weighted
Item recomendado i
Score combinado del item i
Score del item I por el recomendador Sj
Peso del recomendador Sj
Caso de Estudio: SL Item Recommender
Resultados de Dis=ntas Features
Híbrido Paralelo: Mixed
7/22/2013 D.Parra ~ PhD. Disserta=on Defense 21
M: The set of all methods available to fuse rankreci,mj : rank–posi=on in the list of a recommended item reci : recommended item i mj, : recommenda=on method j Wmj : weight given by the user to the method mj using the controllable interface |Mreci| represents the number of methods by which item reci was recommended
Slider weight
Caso de Estudio: SetFusion
02/27/2014 D.Parra et al.~ IUI 2014 22
Our Proposed Interface -‐ II
02/27/2014 D.Parra et al.~ IUI 2014 23
Traditional Ranked List Papers sorted by Relevance. It combines 3 recommendation approaches.
Our Proposed Interface -‐ III
02/27/2014 D.Parra et al.~ IUI 2014 24
Sliders Allow the user to control the importance of each data source or recommendation method
Interactive Venn Diagram Allows the user to inspect and to filter papers recommended. Actions available: - Filter item list by clicking on an area - Highlight a paper by mouse-over on a circle - Scroll to paper by clicking on a circle - Indicate bookmarked papers
Híbrido Paralelo: Switching
• De un grupo de recomendadores, ac=var un recomendador a la vez
• Podría ser especialmente ú=l considerando el learning rate de alguno métodos
• Ejemplo: Elegir entre un clasificador Bayesiano y un recomendador Item-‐based como en: – Ghazanfar, M., & Prugel-‐Bennep, A. (2010). An Improved Switching Hybrid Recommender System Using Naive Bayes Classifier and Collabora=ve Filtering.
Switching: DF y alfa (Prob)
Diseño Híbrido Pipeline
Estrategias de Combinación: • Cascade • Feature Augmenta=on
Híbrido Cascade
• El más sencillo: usar los resultados de un recomendador y refinarlos con un segundo recomendador
CF CB
Referencias • Burke, R. (2002). Hybrid recommender systems: Survey and
experiments. User modeling and user-‐adapted interac=on, 12(4), 331-‐370.
• Adomavicius, G., & Tuzhilin, A. (2005). Toward the next genera=on of recommender systems: A survey of the state-‐of-‐the-‐art and possible extensions. Knowledge and Data Engineering, IEEE Transac=ons on, 17(6), 734-‐749.
• Burke, R. (2007). Hybrid web recommender systems. In The adap=ve web (pp. 377-‐408). Springer Berlin Heidelberg.
• Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: an introduc=on. Cambridge University Press. Chicago