Download as PDF, PPTX
![16
Prediction
Stima della rilevanza di un item per un
utente
f: U×I→[0,1]](https://image.slidesharecdn.com/diversityrs-131130044553-phpapp01/85/Diversita-per-Recommender-Systems-16-320.jpg)
Uploaded byPaolo Tomeo
Diversità per Recommender Systems
Il documento discute i sistemi di raccomandazione e la loro capacità di affrontare il sovraccarico di informazioni attraverso filtri personalizzati che selezionano articoli rilevanti in base agli interessi degli utenti. Viene esplorata la progettazione di questi sistemi, che richiede competenze in diverse discipline, e si analizzano vari approcci come il collaborative filtering e il content-based filtering. Le sfide in corso nella valutazione delle raccomandazioni includono la diversità, la novità e il trade-off tra accuratezza e diversità.
Diversità per Recommender Systems
- 1. Diversity in Recommender Systems PaoloTomeo Twitter: @PaoTomeo Facebook: PTomeo
- 2.
- 3. Information Retrieval vs InformationFiltering
- 4. Information Retrieval vs InformationFiltering IR IF Representation of information needs Queries User profiles Goal Selecting relevant items (docs) that match a query Filtering out the many irrelevant data items in accord with a user's profile Type of use Ad-hoc use Repetitive use Type of users One-time users Long-term users Index Items User profiles Database Relatively static Dynamic U. Hanani, B. Shapira, P. Shoval. “Information Filtering: Overview of Issues, Research and Systems”. User Modeling and User-Adapted Interaction, 11(3): 203-259, 2001
- 5. Recommender Systems Information filteringpersonalizzato
- 6. Recommender Systems Information filteringpersonalizzato selezione di item fra una miriade di possibilità, in base a interessi e necessità degli utenti
- 7. Recommender Systems Information filteringpersonalizzato selezione di item fra una miriade di possibilità, in base a interessi e necessità degli utenti suggeriscono interazioni con nuovi item analizzando le passate interazioni
- 8. Recommender Systems Affrontano efficacementel'information overload Forniscono valore aggiunto per utenti, imprese e relazioni fra loro
- 9. Recommender Systems La progettazionerichiede conoscenze di varie discipline statistics, machine learning, human-computer interaction, social network analysis, psychology
- 10. Recommender Systems La progettazionerichiede conoscenze di varie discipline statistics, machine learning, human-computer interaction, social network analysis, psychology
- 11.
- 12.
- 13.
- 14. 14 Output Suggerisce item apprezzatida altri utenti che hanno preferenze simili Generalmente una lista di Top-N suggerimenti: N item considerati più accurati http://www.youtube.com/feed/recommended
- 15. 15 Steps Input:Rating Output: Recommendation 1 –Training 2 – Prediction 3 – Ranking (4 – Re-Ranking)
- 16. 16 Prediction Stima della rilevanzadi un item per un utente f: U×I→[0,1]
- 17. 17 Approaches Suggerisce all'utente itemsimili a quelli che ha apprezzato in passato Collaborative filtering Content Based filtering Hybrid approaches
- 18. 18 Content based filtering Suggerisceitem apprezzati da altri utenti che hanno preferenze simili
- 19. 19 Content based filtering Suggerisceitem apprezzati da altri utenti che hanno preferenze simili Punti di forza indipendenza dell'utente indipendenza dal numero utenti e dalla popolarità degli item trasparenza (è possibile fornire spiegazioni) Limiti sensibilità a informazioni superficiali o incomplete over-specialization cold-start
- 20. 20 Content representation Se ilcontenuto è rappresentato da una descrizione testuale, è necessaria una strutturazione tramite tecniche NLP Tokenizzazione Eliminazione Stop Words Stemming Assegnazione di un peso ai token (tf-idf)
- 21. 21 Collaborative filtering Suggerisce itemapprezzati da altri utenti che hanno preferenze simili
- 22. 22 Collaborative filtering Suggerisce itemapprezzati da altri forza che hanno Punti di utenti preferenze simili suggerimenti diversificati per categorie di item indipendenza dal contenuto (che può non esistere) molto accurati secondo valutazioni empiriche Limiti Dipendenza dal numero di utenti Cold-start per nuovi item e utenti Sparsità matrice user-item
- 23. 23 Neighborhood-based CFRS Sono memorizzatigli item/utenti più simili (detti Neighbors) per ognuno di essi Riduzione di complessità temporale e occupazione di memoria
- 24. 24 User-based Collaborative filtering 1-Similarità calcolata fra utenti 2 – Stima rating considerando le similarità B. Sarwar, G. Karypis, J. Konstan, J. Riedl , “ItemBased Collaborative Filtering Recommendation Algorithms”, Proceedings of the 10th international conference on World Wide Web, pp. 285-295, 2001.
- 25. 25 Item-based Collaborative filtering 1-Similarità calcolata fra item 2 – Stima rating considerando le similarità B. Sarwar, G. Karypis, J. Konstan, J. Riedl , “ItemBased Collaborative Filtering Recommendation Algorithms”, Proceedings of the 10th international conference on World Wide Web, pp. 285-295, 2001.
- 26. 26 Altre categorie diRS Social Context-aware Personality-based Knowledge-based Geographic
- 27. 27 Qualità dei suggerimenti Valutarel'accuratezza è necessario, ma non basta! • • Alcune sfide aperte: • Serendipità, Diversità, Novità •
- 28. 28 Valutare le perfomance Sperimentazionein vitro Sperimentazioni con utenti Solitamente si susseguono: molti algoritmi sono confrontati e ottimizzati in vitro, i migliori sono valutati con utenti
- 29. 29 Sperimentazione in vitro 1-scegliere un dataset (Es. Movieles) 2 - Partizionare i rating di ogni utente (Es. Hold-out, Cross Validation) 3 – Per ogni (o qualche) utente nel dataset il RS è addestrato sull'intero dataset esclusi i rating dell'utente considerato 4 – I suggerimenti del RS sono confrontati con i rating di test dell'utente
- 30. 30 Valutare l'accuratezza Indica ilgrado di corrispondenza dei suggerimenti ad interessi e necessità degli utenti Metriche di errore Metriche di classificazione
- 31.
- 32.
- 33. 33 Diversity Individual Div Aggregate Div Definition diversityof recommendation sets for a given individual user diversity of recommendations across all users Resolve Over-specialization problem Rich-get-richer phenomenon Benefit User-experience Sales
- 34. 34 Trade-off accuratezza-diversity Soluzioni? Diversificare conminime perdite di accuratezza Applicare meccanismi di bilanciamento parametrizzato
- 35. 35 G. Adomavicius, Y.Kwon , “Improving Aggregate Recommendation Diversity Using Ranking-Based Techniques”, IEEE Transactions on Knowledge and Data Engineering, vol. 24. no. 5, pp. 896 - 911, 2012
- 36.
- 37. 37 Euristiche! Greedy Interchange Neighborhood Clustering M. Drosou andE. Pitoura, "Comparing diversity heuristics", Technical Report, Computer Science Department, University of Ioannina, 2009
- 38. 38 M. Drosou andE. Pitoura, "Comparing diversity heuristics", Technical Report, Computer Science Department, University of Ioannina, 2009
- 39. 39 MMR – MaximalMarginal Relevance Considera sia l'accuratezza che la distanza. È piuttosto efficiente ed efficace. Un limite è l'assunzione di indipendenza fra rilevanza e diversità
- 40.
- 41. 41 Aggregate Diversification Euristiche dire-ranking G. Adomavicius, Y. Kwon , “Improving Aggregate Recommendation Diversity Using Ranking-Based Techniques”, IEEE Transactions on Knowledge and Data Engineering, vol. 24. no. 5, pp. 896 - 911, 2012 Euristiche basate sulla teoria dei grafi G. Adomavicius, Y. Kwon , “Maximizing Aggregate Recommendation Diversity: A Graph-Theoretic Approach ”, Proceedings of Workshop on Novelty and Diversity in Recommender Systems, Chicago, Illinois, USA, pp. 3-10, 2011
- 42. 42 Valutare aggregate diversity Coverage= percentuale di item suggeriti almeno una volta