Sisteme de recomandare

Lupuleţ CorneliuNeculciu FilipVelişcu Ovidiu

Ţambrea ConstantinTăbărana Cristian

    Un sistem de recomandare este un instrument care încearcă să prezinte utilizatorilor, obiecte şi noţiuni de interes pentru aceştia (filme, muzică, ştiri, imagini, persoane).

   

Sisteme de recomandare

    Recomandarea se face pe baza cunoaşterii (explicită sau implicită) a profilului utilizatorului (modelul de preferinţe)

Descriere formală

• U mulţimea utilizatorilor• A mulţimea articolelor cunoscute de sistem (şi care pot fi

recomandate)•                      funcţie care măsoară interesul unui utilizator

pentru un anumit articol

    Scopul

        De a estima cât mai bine această funcţie în punctele în care nu este definită, adică de a prezice ce anume este posibil să-i placă (şi cât de mult) unui utilizator ale cărui “gusturi” apreciem că sistemul le cunoaşte.

Clasificare

    Construirea profilului utilizatorului se poate face în mod:o explicit - sistemul cere informaţii de la utilizatori 

            (ex: note acordate filmelor)o implicit - prin analiza articolelor sau paginilor web vizitate

    În funcţie de tehnica de estimare folosită, existăo recomandări bazate pe conţinut o recomandări colaborative

    Filtrare colaborativă:o utilizatoro articolo atribut

       

Probleme

La sistemele bazate pe filtrare colaborativă centrată pe utilizatori există două probleme bine-cunoscute: 

• First-Rater Problem            -    Problema articolelor nou introduse în baza de date;

• Cold-Start Problem            -    Problema utilizatorilor nou veniţi în sistem

Item-based filtering

• Filtrare user-based - probleme de scalabilitate

• Item-based - avantaj - procesul de determinare a similarităţii între articole poate fi independent de cel de prezicere (recomandare) şi poate fi realizat offline.

• Poate fi îmbunătăţit  cu informaţii semantice provenite din alte surse (ex: ontologii specifice domeniului)

• Se poate folosi tehnica "Latent Semantic Indexing" (LSI) pentru reducerea dimensiunii matricii iniţiale (item, item) la un grup restrâns de atribute strâns corelate.

          - Google News        - Amazon         - Yahoo Movies!        - iTunes        - Youtube        - StumbleUpon        - Photoree        - BookLamp       

     

Exemple de Sisteme

Crearea unui profil

Probleme:• sistemul are nevoie de multe

informații pentru a funcționa cu o precizie acceptabilă

• utilizatorul nu are: o timpulo dorințao cunoștințeleo să dea explicit toate informațiile

de care sistemul are nevoie

Solutia Google: Web History

    Web History este o facilitate introdusă de Google pentru a reţine ce pagini a vizitat utilizatorul.

Avantaje/Dezavantaje

Avantaje:• adună date foarte repede• odată format, sistemul este foarte stabil -

anomaliile de comportament cauzate de curiozitate, greșeli, etc. au efect neglijabil

Dezavantaje:• cold-start - sunt prezentate subiectele cele mai

populare, nu neapărat cele mai interesante pentru utilizatorul curent

• funcționează doar dacă utilizatorul e logat pe contul de google și a activat Web History

• poate fi lent in detectarea schimbărilor de preferințe

StumbleUpon

• comunitate Web• facilitează descoperirea de site-uri• sistem de recomandare bazat pe utilizator• peers (utilizatori cu "gusturi" similare)• friends (aleşi de utilizator)• filtrare colaborativă (eng. "colaborative filtering")• automatizează "word of mouth"

Principiile sistemului

 

Filtrare colaborativă bazată pe utilizator

Avantaje / dezavantaje

Avantaje:• viteza• practic pentru număr uriaş de site-uri comparativ cu analiza

de conţinut

Dezavantaje:• "First-Rater" problem• "Cold-Start" problem• rating-uri subiective

Exemplu de utilizare

 

Yahoo Movies!

            Industria filmelor este foarte vastă. Din acest motiv, a fost necesar un algoritm de recomandare diferit, optimizat şi pentru filme vizionate de către puţini utilizatori.            Sistemul folosit de Yahoo Movies! se bazează pe motorul de recomandare făcut de Choice Stream: Modelarea bayesiană a preferinţelor pe baza atributelor (eng. Attributed Bayesian Choice Modelling).

Attributed Bayesian Choice Modelling

Avantaje/dezavantaje

Avantaje:  

o "First-Rater" Problem dispareo "Cold-Start" Problem este atenuată o Eficienta recomandărilor

  Dezavantaje:  

o  Alegerea valorilor atributelor este subiectivă

Exemple de utilizare - Yahoo Movies!

Genius

•  Genius este un feature introdus în aplicaţia iTunes începând cu versiunea 8

•  generează automat o listă de melodii similare cu melodia curentă

•  pentru utilizare este nevoie de cont iTunes•  Genius va colecta periodic informaţiile legate de utilizator şi

bibliotecile personale de melodii şi le va trimite în mod anonim la baza de date Apple

•  Genius analizează metadatele melodiilor(ritmul, ratingurile, poziţia în playlisturi)

•  se presupune ca Genius creează amprenta acustică a melodiilor

•  strategie comercială

Mod de Utilizare

Avantaje/Dezavantaje

Avantaje:• Genius este un feature util userilor care vor să asculte

melodii "înrudite" sau chiar să le cumpere  Dezavantaje:• trimiterea datelor în anonimat reduce Genius doar la un

sistem bazat pe itemi• înclinatie spre comercial şi nu spre utilizator

Bibliografie

Semantically Enhanced Collaborative Filtering on the Web:http://maya.cs.depaul.edu/~mobasher/papers/ewmf04-web/ewmf04.html

 Item based collaborative filtering recommendation algorithms:http://www.cs.tau.ac.il/~fiat/dmsem03/ItemBasedCollaborativeFilteringRecommendationAlgorithms.ppt

 StumbleUpon's recommendation technology:http://www.stumbleupon.com/technology/

Google Newshttp://www.searchenginejournal.com/google-news-adds-most-popular-recommended-sections/2809/

Collaborative Filtering vs Attributed Bayesian Choice Modellinghttp://behavioraltargeting.info/downloadattachment.php?aId=cf74d490a8b97edd535b4ccdbfd0df55&articleId=31

 Vă Mulţumim!

Întrebări ?