Your SlideShare is downloading. ×
0
Sistemas de
recomendación
Juan Manuel Gimeno Illa
  14 de abril de 2010
Índice

¿Qué son los sistemas de recomendación?

Tipos de sistemas de recomendación

Algoritmos basados en redes

Posibles...
¿Qué son las
   recomendaciones?
Recomendar es la acción de sugerir a alguien
alguna cosa en la que posiblemente estará
in...
Tipos de sistemas de
   recomendación
Para construir sistemas de recomendación nos
podemos basar en

  Analizar los ítems
...
Análisis de los ítems
Análisis de los ítems


                   Ítems
Análisis de los ítems


                   Ítems




                  Usuarios
Análisis de los ítems


                     Ítems


gusta


                    Usuarios
Análisis de los ítems
        parecidos



                     Ítems


gusta


                    Usuarios
Análisis de los ítems
        parecidos



                                     Ítems


gusta               recomendación
...
Análisis de los usuarios
Análisis de los usuarios


                     Ítems
Análisis de los usuarios


                     Ítems




                    Usuarios
Análisis de los usuarios


                     Ítems


gusta


                    Usuarios
Análisis de los usuarios


                     Ítems


gusta


                    Usuarios

        parecidos
Análisis de los usuarios


                           Ítems

          recomendación
gusta


                          Usu...
Métricas de similitud


 Ambos métodos requieren tener medidas
 de similitud

   entre ítems

   entre usuarios
Cálculo de la similitud

Basadas en contenidos/perfiles

  se dispone de una descripción (modelo)

  (típicamente un vector...
Cálculo de la similitud

Basado en les asociaciones entre los usuarios
y los ítems: filtrado colaborativo

  ítems comprado...
Métricas en el filtrado
     colaborativo

Dos ítems son similares en la medida en que
gustan/interesan/etc. a las mismas p...
Sistemas basados en
redes de interacción
Otro tipo de soluciones aproximan el
problema desde otro punto de vista

Modelan ...
Algoritmo “Heat
  Spreading”
Algoritmo “Heat
  Spreading”
 1
 0
 0
 1
 0
Algoritmo “Heat
  Spreading”
 1
      1
 0
 0   1/2
 1   1/2
 0   0
Algoritmo “Heat
  Spreading”
 1                2/3
      1           1/2
 0
 0   1/2          1/3
 1   1/2          3/4
 0...
Ampliaciones del modelo
Ampliaciones del modelo
Ampliaciones del modelo




             Información
              semántica
Ampliaciones del modelo




             Información
              semántica
Ampliaciones del modelo




    Información   Información
       social      semántica
Uso de la información
      adicional
El objetivo es aprovechar cuanta más
información sobre los ítems, mejor

De esta man...
Uso de la información
      adicional

También las relaciones sociales entre usuarios
pueden añadir información

(Aunque e...
Muchas gracias por
 vuestra atención
Bibliografía

H. Marmanis, D. Babenko: Algorithms for the
Intelligent Web, Manning (2009).

S. Alag, Collective Intelligen...
Bibliografía
Tao Zhou et al., Bipartite network projection and
personal recommendation, Physical Review E 76,
046115 (2007...
Upcoming SlideShare
Loading in...5
×

Sistemas de recomendación

4,043

Published on

Una corta presentación general sobre algoritmos de recomendación de contenidos en la web 2.0

Published in: Technology

Transcript of "Sistemas de recomendación"

  1. 1. Sistemas de recomendación Juan Manuel Gimeno Illa 14 de abril de 2010
  2. 2. Índice ¿Qué son los sistemas de recomendación? Tipos de sistemas de recomendación Algoritmos basados en redes Posibles ampliaciones Bibliografía
  3. 3. ¿Qué son las recomendaciones? Recomendar es la acción de sugerir a alguien alguna cosa en la que posiblemente estará interesado. Ejemplos: libros/CDs/ítems a comprar/escuchar/ consumir otros usuarios con intereses similares
  4. 4. Tipos de sistemas de recomendación Para construir sistemas de recomendación nos podemos basar en Analizar los ítems Analizar los usuarios Analizar asociaciones entre ítems y usuarios
  5. 5. Análisis de los ítems
  6. 6. Análisis de los ítems Ítems
  7. 7. Análisis de los ítems Ítems Usuarios
  8. 8. Análisis de los ítems Ítems gusta Usuarios
  9. 9. Análisis de los ítems parecidos Ítems gusta Usuarios
  10. 10. Análisis de los ítems parecidos Ítems gusta recomendación Usuarios
  11. 11. Análisis de los usuarios
  12. 12. Análisis de los usuarios Ítems
  13. 13. Análisis de los usuarios Ítems Usuarios
  14. 14. Análisis de los usuarios Ítems gusta Usuarios
  15. 15. Análisis de los usuarios Ítems gusta Usuarios parecidos
  16. 16. Análisis de los usuarios Ítems recomendación gusta Usuarios parecidos
  17. 17. Métricas de similitud Ambos métodos requieren tener medidas de similitud entre ítems entre usuarios
  18. 18. Cálculo de la similitud Basadas en contenidos/perfiles se dispone de una descripción (modelo) (típicamente un vector de características) funciones de distancia en un espacio n- dimensional (euclídea, coseno, etc.)
  19. 19. Cálculo de la similitud Basado en les asociaciones entre los usuarios y los ítems: filtrado colaborativo ítems comprados, consultados, leídos, etc. por los usuarios Trata a usuarios y productos como cajas negras por tanto no depende del tipo de ítem
  20. 20. Métricas en el filtrado colaborativo Dos ítems son similares en la medida en que gustan/interesan/etc. a las mismas personas Dos persones tienen gustos/intereses similares en cuanto consumen/valoran/gustan los mismos ítems
  21. 21. Sistemas basados en redes de interacción Otro tipo de soluciones aproximan el problema desde otro punto de vista Modelan las relaciones entre usuarios e ítems como un grafo bipartito Modelan el grado de “apetecibilidad” de un ítem como: propagación del calor paseo aleatorio por la red
  22. 22. Algoritmo “Heat Spreading”
  23. 23. Algoritmo “Heat Spreading” 1 0 0 1 0
  24. 24. Algoritmo “Heat Spreading” 1 1 0 0 1/2 1 1/2 0 0
  25. 25. Algoritmo “Heat Spreading” 1 2/3 1 1/2 0 0 1/2 1/3 1 1/2 3/4 0 0 0
  26. 26. Ampliaciones del modelo
  27. 27. Ampliaciones del modelo
  28. 28. Ampliaciones del modelo Información semántica
  29. 29. Ampliaciones del modelo Información semántica
  30. 30. Ampliaciones del modelo Información Información social semántica
  31. 31. Uso de la información adicional El objetivo es aprovechar cuanta más información sobre los ítems, mejor De esta manera los ítems dejan de ser “información plana” Por ejemplo, el hecho de haber comprado un libro, también puede dar crédito a otros libros del mismo autor, mismo género, etc.
  32. 32. Uso de la información adicional También las relaciones sociales entre usuarios pueden añadir información (Aunque esta parte del asunto no la tengo tan clara) ((La otra quizás tampoco))
  33. 33. Muchas gracias por vuestra atención
  34. 34. Bibliografía H. Marmanis, D. Babenko: Algorithms for the Intelligent Web, Manning (2009). S. Alag, Collective Intelligence in Action, Manning (2009) T. Segaran, Collective Intelligence, O’Reilly (2007)
  35. 35. Bibliografía Tao Zhou et al., Bipartite network projection and personal recommendation, Physical Review E 76, 046115 (2007) Yi-Cheng Zhang et al., Heat Conduction Process on Community Networks as a Recommendation Model, Physical Review Letters 99, 154301 (2007) A. Passant & Y. Raymond, Combining Social Music and Semantic Web for music-related recommender systems, Social Data on the Web (2008)
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×