SlideShare a Scribd company logo
1 of 16
Download to read offline
relatori: Vittorio Guarini e
Federico Panini
Machine Learning: strategie di collaborative filtering
nelle piattaforme online.
Un caso concreto di applicazione nel mondo SaaS e E-commerce, il caso
Fazland.com
Recommender System
• content based filtering
• user-user collaborative filtering
• item-item collaborative filtering
• unary item-item
Content Based Filtering
quanto è rilevante una parola o una keyword all'interno di un
documento
Collaborative Filtering
Al contrario del content based filtering, gli algoritmi di collaborative
filtering si basano sul di un concetto : la similarità. Le preferenze
di un utente sono utilizzate come base per creare correlazione
con altri utenti o con altri prodotti.
User-User Collaborative Filtering
Questo tipo di algoritmi cerca di identificare la similarità tra utenti.
A questo punto tra coloro che il sistema riconosce come similari
suggerire prodotti basandosi sulle loro preferenze.
User-User Collaborative Filtering
Item-Item Collaborative Filtering
Item-item collaborative filtering adotta un approccio leggermente
differente, ossia invece di computare ed identificare utenti tra loro
simili, sviluppa una matrice di similarità tra i prodotti utilizzando
ratings o valutazioni “unarie”. A questo punto sarà possibile
suggerire prodotti agli utenti che hanno comprato o utilizzato
prodotti tra loro simili.
AWS
Prof. Joseph A. Konstan - University of Minnesota
GRAZIE !

More Related Content

More from Federico Panini

Long life to vagrant… Vagrant is dead
Long life to vagrant… Vagrant is deadLong life to vagrant… Vagrant is dead
Long life to vagrant… Vagrant is deadFederico Panini
 
Vagrant boxes with x, export display, chrome headless
Vagrant boxes with x, export display, chrome headlessVagrant boxes with x, export display, chrome headless
Vagrant boxes with x, export display, chrome headlessFederico Panini
 
Aws vpc : addressing cidr
Aws vpc : addressing cidrAws vpc : addressing cidr
Aws vpc : addressing cidrFederico Panini
 
Git in pills : git stash
Git in pills : git stashGit in pills : git stash
Git in pills : git stashFederico Panini
 
Elasticsearch quick Intro (English)
Elasticsearch quick Intro (English)Elasticsearch quick Intro (English)
Elasticsearch quick Intro (English)Federico Panini
 
Elasticsearch a quick introduction
Elasticsearch a quick introductionElasticsearch a quick introduction
Elasticsearch a quick introductionFederico Panini
 
Elk - Elasticsearch Logstash Kibana stack explained
Elk - Elasticsearch Logstash Kibana stack explainedElk - Elasticsearch Logstash Kibana stack explained
Elk - Elasticsearch Logstash Kibana stack explainedFederico Panini
 

More from Federico Panini (8)

Long life to vagrant… Vagrant is dead
Long life to vagrant… Vagrant is deadLong life to vagrant… Vagrant is dead
Long life to vagrant… Vagrant is dead
 
Vagrant boxes with x, export display, chrome headless
Vagrant boxes with x, export display, chrome headlessVagrant boxes with x, export display, chrome headless
Vagrant boxes with x, export display, chrome headless
 
Aws vpc : addressing cidr
Aws vpc : addressing cidrAws vpc : addressing cidr
Aws vpc : addressing cidr
 
Git in pills : git stash
Git in pills : git stashGit in pills : git stash
Git in pills : git stash
 
Symfony & Mailcatcher
Symfony & MailcatcherSymfony & Mailcatcher
Symfony & Mailcatcher
 
Elasticsearch quick Intro (English)
Elasticsearch quick Intro (English)Elasticsearch quick Intro (English)
Elasticsearch quick Intro (English)
 
Elasticsearch a quick introduction
Elasticsearch a quick introductionElasticsearch a quick introduction
Elasticsearch a quick introduction
 
Elk - Elasticsearch Logstash Kibana stack explained
Elk - Elasticsearch Logstash Kibana stack explainedElk - Elasticsearch Logstash Kibana stack explained
Elk - Elasticsearch Logstash Kibana stack explained
 

Machine Learning: strategie di collaborative filtering nelle piattaforme online.

  • 1. relatori: Vittorio Guarini e Federico Panini Machine Learning: strategie di collaborative filtering nelle piattaforme online. Un caso concreto di applicazione nel mondo SaaS e E-commerce, il caso Fazland.com
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8. Recommender System • content based filtering • user-user collaborative filtering • item-item collaborative filtering • unary item-item
  • 9. Content Based Filtering quanto è rilevante una parola o una keyword all'interno di un documento
  • 10. Collaborative Filtering Al contrario del content based filtering, gli algoritmi di collaborative filtering si basano sul di un concetto : la similarità. Le preferenze di un utente sono utilizzate come base per creare correlazione con altri utenti o con altri prodotti.
  • 11. User-User Collaborative Filtering Questo tipo di algoritmi cerca di identificare la similarità tra utenti. A questo punto tra coloro che il sistema riconosce come similari suggerire prodotti basandosi sulle loro preferenze.
  • 13. Item-Item Collaborative Filtering Item-item collaborative filtering adotta un approccio leggermente differente, ossia invece di computare ed identificare utenti tra loro simili, sviluppa una matrice di similarità tra i prodotti utilizzando ratings o valutazioni “unarie”. A questo punto sarà possibile suggerire prodotti agli utenti che hanno comprato o utilizzato prodotti tra loro simili.
  • 14. AWS
  • 15. Prof. Joseph A. Konstan - University of Minnesota