• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Odporúčacie systémy a služba sme.sk čo čítať
 

Odporúčacie systémy a služba sme.sk čo čítať

on

  • 1,603 views

Prezentácia o odporúčači sme.sk/cocitat a trendoch v odporúčacích systémoch na aprílovom Web Analytics Wednesday.

Prezentácia o odporúčači sme.sk/cocitat a trendoch v odporúčacích systémoch na aprílovom Web Analytics Wednesday.

Statistics

Views

Total Views
1,603
Views on SlideShare
1,595
Embed Views
8

Actions

Likes
1
Downloads
5
Comments
1

3 Embeds 8

http://www.linkedin.com 5
http://twitter.com 2
https://www.linkedin.com 1

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel

11 of 1 previous next

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Odporúčacie systémy a služba sme.sk čo čítať Odporúčacie systémy a služba sme.sk čo čítať Presentation Transcript

    • Odporúčacie systémya služba sme.sk - čo čítať JÁN SUCHAL @jsuchal, FIIT STU
    • Odporúčacie systémy
    • Odporúčanie produktov
    • Odporúčanie produktov (2)
    • Personalizované odporúčanie produktov
    • Odporúčanie článkov
    • Odporúčanie článkov (2)
    • Personalizované odporúčanie článkov
    • Výzvy odporúčania Byť lepší ako TOP10 odporúčač Veľká závislosť na doméne  Nie je nič staršie ako včerajšie noviny.  Chcem kvalitný, časom a ľudmi overený produkt. Trénovanie odporúčacích algoritmov  predikcia vs. odporúčanie Čo je to vlastne dobré odporúčanie?  komu, čo, kedy? Spätná analýza rozhodujúcich faktorov  lepšie produkty/obsah/služby
    • Obsahové vs. Kolaboratívne odporúčanie Podobný obsah vs. Podobní ľudia Obsahové  podobné klúčové slová, názvy, texty  rovnaký autor, režisér, herec, skladateľ  rovnaká téma, kategória, cena, farba, materiál  ... Kolaboratívne  podobné záujmy (hunch)  rovnakí priatelia (facebook, foaf), followeri (twitter)  ...
    • Služba sme.sk čo čítať Vstupné dáta  logy = 1+M klikov denne  metadáta k článku  logy od/kliknutí na odporúčania Kolaboratívny prístup  k-najbližších susedov  váhovanie článkov/používateľov  implicitná negatívna spätná väzba Vyhodnotenie  syntetické testovanie  CTR + RR (rejection rate)
    • Implicitná negatívna spätná väzba Krátke návštevy článkov  návštevník článok “číta” len zopár sekúnd  identifikácia z logov  problém: taby “Negatívne návštevy článkov”  nezáujem o články na titulke  identifikácia z logov na základe času a top-N v danom čase  problém: hranica medzi videl a nechcel vs. prehliadolInšpirácia z vyhľadávania: Filip Radlinski , Thorsten Joachims. Query chains: learning to rank from implicit feedback.
    • Testovanie Algoritmy  k-najbližších susedov (základ)  odfiltrovanie negatívnych návštev  odfiltrovanie krátkych návštev k-najbližších susedov  k-najbližších susedov z krátkych návštev Syntetické testovanie  klasický ML prístup (trénovacia a testovacia množina)  ladenie parametrov A/B testovanie  viac algoritmov súčasne * ~10 rôznych nastavení  meranie CTR a RR
    • Budúcnosť sme.sk čo čítať Meranie času/aktivity na článku  rieši problém tabov  lepšie vyhodnotenie Hybridný prístup  pridať obsahové odporúčanie  metadáta k článkom (téma, typ, autor)  externé metadáta (FB likes, témy, geo) Dlhodobé záujmy (model používateľa)  preferencie GUI a UX
    • Trendy v odporúčacích systémoch Skupinové odporúčania  filmy, podujatia, podniky Odporúčanie zo “social buzz”  FB, twitter, media Otváranie používateľského modelu  Čo si o mne systém myslí? Ako to zmením? Vysvetľovanie dôvodu odporúčania