Capítulo 2: Estado del arte, sistemas de recomendacion
Upcoming SlideShare
Loading in...5
×
 

Capítulo 2: Estado del arte, sistemas de recomendacion

on

  • 841 views

Capítulo 2: Estado del arte de los sistemas de recomendación, como es el proceso de recomendar un ítem y que enfoques hay para realizar sistemas de recomendación automatizados.

Capítulo 2: Estado del arte de los sistemas de recomendación, como es el proceso de recomendar un ítem y que enfoques hay para realizar sistemas de recomendación automatizados.

Statistics

Views

Total Views
841
Views on SlideShare
841
Embed Views
0

Actions

Likes
0
Downloads
45
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

CC Attribution License

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

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

Capítulo 2: Estado del arte, sistemas de recomendacion Capítulo 2: Estado del arte, sistemas de recomendacion Presentation Transcript

  • Estado del Arte: Sistemas de Recomendación Ignacio Salas Donoso Ing. Civil Informática, UTFSM
  • TemarioHaciendo RecomendacionesTipos de Sistemas de RecomendaciónRetos y Oportunidades para losSistemas de RecomendaciónResumen
  • Haciendo RecomendacionesModelo del proceso de recomendación Puede ser tanto una persona, como un sistema automatizado
  • Haciendo Recomendaciones Convierte buscadores en compradores Sistema deRecomendación ítem Aumentan las ventas cruzadas Construyen lealtad y credibilidad
  • Haciendo Recomendaciones ¿Cómo las recomendaciones son ¿Cómo se presenta la realizadas? información? Salida Sistema de Recomendación Entradas de la Comunidad Entradas del usuario Objetivo¿Las personas juegandistintos roles o todos losusuarios del sistema juegan ¿Qué preferencias se usan?el mismo rol?
  • 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 0.1 usuarios con respecto a la similitud 0.2 con el usuario activo. 0.8 0.7 2. Seleccionar los k usuarios más parecidos al usuario activo 0.9 1.0 3. Calcular una predicción desde 0.1 una combinación ponderada de los puntajes de la vecindad0.7 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 Voto usuario a por promedio del el ítem i 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 defectoModulo de la unión Una cantidad de de los ítems ítems que los dosevaluados por los usuarios aún no han Voto por defeco usuarios a y u evaluado 3
  • Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo Frecuencia inversa del usuario 4 La cantidad de usuarios que han votado por j
  • Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo Caso de amplificación índice 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 Desviación ponderada de Voto promedio los votos de la del usuario vecindad objetivo 6 Factor de normalización de la medida de similitud
  • Tipos de Sistemas de RecomendaciónSistemas de Filtrado Colaborativo El filtrado colaborativo puede ser visto como el cálculo del voto esperado dado un usuario conocido 7 0.1 0.1 0.2 0.2 0.4
  • Tipos de Sistemas de RecomendaciónSistemas de Filtrado ColaborativoPros La principal fortaleza de este enfoque , son las recomendaciones personalizadas Serendipia El usuario puede encontrar ítems que no sabía que existíanContras Alto esparcimiento de los datos El problema del primer voto
  • Tipos de Sistemas de RecomendaciónSistemas de Filtrado ColaborativoBasado en Redes InmunesSe buscan anticuerpos (usuarios)con aciertos cercanosAnticuerpos AntígenoLa predicción se hace usando la formula (6) con Concentración del anticuerpo v
  • Tipos de Sistemas de RecomendaciónSistemas de Filtrado ColaborativoCon algoritmo genético (GA) Ponderación de las 22 características del producto Calculado con GA A para el usuario objetivo Preferencia Se calcula el fitness de cada de dos Distancia producto usuarios por Euclideana el mismo producto Voto estimado – Voto real El Fitness del usuario es el A promedio de los fitness de los productos
  • Tipos de Sistemas de RecomendaciónSistemas de Filtrado ColaborativoImpulsado por Contenido Se estima con un clasificador el Sistema Basado en puntaje del ítem no evaluado contenido Matriz de pseudo puntajes Ponderación Híbrida Sistema de filtrado Factor de colaborativo Puntaje Autoponderación
  • Tipos de Sistemas de RecomendaciónSistemas de Recomendación Basados en ContenidoLIBRA (Learning Intelligent Book Recommending Agent) Probabilidad de ser evaluado de Le agrada forma positiva o negativa Dado un conjunto de características del libro Le desagrada Dada la presencia de alguna palabra
  • Tipos de Sistemas de RecomendaciónSistemas de Recomendación Basados en ContenidoHíbrido entre el enfoque basado en contenido y el filtradocolaborativo La similitud entre objetos, 0.3 Atributo 1 es la diferencia de sus Atributo 2 atributos, ponderada por 0.01 … el usuario 0.2 Atributo N Cada usuario pondera de forma diferente los atributos de un ítem
  • Tipos de Sistemas de RecomendaciónSistemas de Minería de Datos Social El camino a través del bosque Explotan las preferencias del usuario implícitas en registros de actividades existentes en el sistema Kleinberg: autoridades y hubs TopicShop: reunión, evaluación y organización de colecciones de sitios web
  • Retos y Oportunidades para los Sistemas de RecomendaciónEscalabilidad y rendimiento en tiempo realIncorporando datos enriquecidosRecomendaciones centradas en el consumidorConectar a los recomendadores con los vendedoresEvitar FraudesPrivacidad
  • ResumenEl objetivo fundamental de un sistema de recomendación esproponer uno o más ítems para un usuarioDesde la perspectiva del comercio electrónico es relevante quelos visitantes se queden en el sitioLos sistemas basados en filtrado colaborativo, buscan a laspersonas con intereses similares a los del usuario objetivoLos sistemas basados en contenido proveen recomendaciones pormedio de comparar representaciones de contenidos describiendoa un ítem de interésLos sistemas de minería de datos social analizan el historial denavegación de los usuarios de un sistema