Download to read offline
![Item cold start
Non si può predire il rating di nuove item
finché gli utenti non le voteranno
[Non è un problema per i rating content-
based]](https://image.slidesharecdn.com/arecommendationengineforyourapplications-smau-171026133912/85/A-recommendation-engine-for-your-applications-34-320.jpg)
![Similarity Joe Vs
Bob 1.57
Alice 0.33
Tom 0.18
D = 1 / (1 + d)
[normalizziamo per semplicità]](https://image.slidesharecdn.com/arecommendationengineforyourapplications-smau-171026133912/85/A-recommendation-engine-for-your-applications-40-320.jpg)
![email personalizzate
sui gusti degli utenti
[ e nuovi eventi correlati ai click su email ]](https://image.slidesharecdn.com/arecommendationengineforyourapplications-smau-171026133912/85/A-recommendation-engine-for-your-applications-74-320.jpg)
Uploaded byFrancesco Fullone
A recommendation engine for your applications
Il documento discute la creazione di un sistema di raccomandazione per suggerire acquisti agli utenti, analizzando approcci come il filtraggio collaborativo e il content-based. Viene evidenziato il problema del cold start e i limiti di ciascun metodo. Infine, si propone un case study su un e-commerce di libri, descrivendo l'implementazione degli algoritmi di raccomandazione e il monitoraggio delle azioni degli utenti.
A recommendation engine for your applications
- 1. Machine Learning Primer suggerisciai tuoi utenti cosa comprare Francesco Fullone ff@ideato.it
- 3.
- 5. vogliamo un bot chesuggerisca alle persone cosa comprare!
- 6. vogliamo un bot chesuggerisca alle persone cosa comprare! un bot
- 7. vogliamo un bot chesuggerisca alle persone cosa comprare! un bot
- 8.
- 9.
- 10. che SISTEMA DIRACCOMANDAZIONE usare?
- 11. Facciamo un passoindietro…
- 12. Motori di ricerca Fontedati statica (anche se ampia), query dinamiche
- 13. Motori di suggerimenti Fontedati dinamica (ma su un dominio preciso), query statiche
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 22. Hotel A HotelB Hotel C John 3 5 Jane 3 Fred 1 0 Tom 4 AVG 3.5 3 0 Non personalizzati
- 23.
- 24. Gli utenti votanoitem (film, libri, …) Noi costruiamo un modello sui gusti degli utenti Cerchiamo per item simili basandoci sul modello creato Content-Based
- 25. Action 0.7 Sci Fi3.2 Vin Diesel 1.2 … … Title Star Trek Genre Sci Fi Actors William Shatner LeonardNimoy User Model Title XXX Genre Action Actors Vin Diesel Asia Argento Title Kick Ass Genre Action Actors Nicholas Cage Mark Strong Content-Based
- 26.
- 27. Bisogna conoscere ilcontenuto degli item Cold start per gli utenti: è necessario molto tempo per conoscere i gusti di tutti gli utenti Cosa succede se i gusti cambiano? Si perde l’effetto serendipity Content-Based
- 28.
- 29. User-User Seleziono persone congusti simili a me. Se altri utenti condividono i miei gusti, voglio conoscere la loro opinione. Filtraggio Collaborativo
- 30. Item-Item Cerco item sucui ho espresso una mia opinione e la confronto con quella degli altri utenti. Filtraggio Collaborativo
- 31.
- 32. Sparsità In un setampio di item, solo alcuni di questi saranno votati da utenti
- 33. User Cold start Nonsi conosce abbastanza di un nuovo utente per dargli suggerimenti efficaci
- 34. Item cold start Nonsi può predire il rating di nuove item finché gli utenti non le voteranno [Non è un problema per i rating content- based]
- 35. Scalabilità All’aumentare del numero deirating il costo di aggiornamento diventa computazionalmente molto alto
- 36.
- 37. Item1 Item2 Item3Item4 Item5 Joe 8 1 ? 2 7 Tom 2 ? 5 7 5 Alice 5 4 7 4 7 Bob 7 1 7 3 8 Joe e Tom quanto sono simili? Joe e Bob quanto sono simili?
- 38. Consideriamo solo gliitem votati da entrambi Per ogni item - Calcoliamo la differenza di rating - Estrapoliamo la media tra tutte le differenze degli item votati Item1 Item2 Item3 Item4 Item5 Joe 8 1 ? 2 7 Tom 2 ? 5 7 5 Alice 5 4 7 4 7 Bob 7 1 7 3 8
- 39. Sim(Joe, Tom) =(|8-2| + |2-7| + |7-5|)/3 = 13/3 = 4.3 Sim(Joe, Alice) = (|8-5| + |1-4| + |2-4| + |7-7|)/4 = 2 Sim(Joe, Bob) = (|8-7| + |1-1| + |2-3| + |7-8|)/4 = 0.75 Item1 Item2 Item3 Item4 Item5 Joe 8 1 ? 2 7 Tom 2 ? 5 7 5 Alice 5 4 7 4 7 Bob 7 1 7 3 8
- 40. Similarity Joe Vs Bob1.57 Alice 0.33 Tom 0.18 D = 1 / (1 + d) [normalizziamo per semplicità]
- 41. Raccomandiamo gli itema cui utenti simili hanno dato un voto alto Per calcolare il rating di un oggetto da raccomandare dobbiamo fase una somma pesata sull’indice di similitudine tra gli utenti
- 42. Rating(Joe, Item3) =(1.57 * 7 + 0.33 * 7 + 0.18 * 5) / 3 10.99 + 2.31 + 0.9 / 3 = 4.3 Similarity Joe Vs Item 3 Bob 1.57 7 Alice 0.33 7 Tom 0.18 5
- 43. possiamo calcolare ilrating su tutta la matrice di dati OPPURE usare un algoritmo K-nn (o nearest neighbours): cioè su un sottoinsieme di utenti con gusti simili ai miei.
- 44. il nostro casestudy
- 45. e-commerce di libri siadigitali che cartacei, carrelli separati, diverse tipologie categorie di prodotti
- 46. Raccomandare titoli (nuovie vecchi) - Chi ha comprato X ha comprato anche Y - Ti potrebbe interessare
- 47.
- 49.
- 51. Pattern: utente --azione -- item User 1 ha comprato il prodotto X User 2 ha visto il prodotto Y User 1 ha aggiunto il prodotto Z nel carrello
- 52. Modellazione degli Eventi cosadovremmo modellare? rating, like, acquisto, visita, in base al tipo di algoritmo scelto
- 53.
- 55.
- 57. Due tipi disuggerimenti - chi ha comprato X ha comprato anche… (raccomandazione) - Ti potrebbe anche interessare (similitudine)
- 58.
- 59. Vista Like (aggiunta alcarrello o alla wishlist) Conversione (acquisto)
- 60.
- 61. 4 engines 2 peri libri, 2 per gli ebooks Training ogni notte dell’algoritmo Registrazione degli eventi in batch per evitare lentezza del sistema
- 63. Cold start se nonabbiamo un numero sufficiente di suggerimenti il sistema passa in automatico ad un motore di suggerimenti non personalizzati (anche per utenti anonimi): ie. mostrando solo i Best Sellers
- 66.
- 67. No, c’è dipiù…
- 71.
- 72.
- 73. suggerimenti sui comportamenti degliutenti ie. tracking della navigazione ie. suggerimenti basati sul contesto/contenuto
- 74. email personalizzate sui gustidegli utenti [ e nuovi eventi correlati ai click su email ]
- 75. suggerimenti/offerte su item presentisui carrelli abbandonati
- 76.
- 77. Recommendation as aService http://raas.ideato.it
- 78. Links Recommendation as aService - http://raas.ideato.it Altri link http://actionml.com/ https://github.com/grahamjenson/ger http://www.emailvendorselection.com/recommendation-engines-for-email-marketing/ https://www.coursera.org/learn/recommender-systems-introduction https://blog.mozilla.org/ux/2014/04/the-experience-of-mind-reading/ https://www.analyticsvidhya.com/blog/2015/08/beginners-guide-learn-content-based-recommender-systems/ https://www.analyticsvidhya.com/blog/2015/08/beginners-guide-learn-content-based-recommender-systems/ www.slideshare.net/treygrainger/building-a-real-time-solrpowered-recommendation-engine http://www.slideshare.net/NYCPredictiveAnalytics/building-a-recommendation-engine-an-example-of-a-product-recommendation-engine? next_slideshow=1
- 79. mi chiamo FrancescoFullone e sono il CEO di fullo / ideato fullo / ideatosrl ff@ideato.it