8/2/16, 02:58Ranking & UB-CF
Page 1 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Ranking & UB-CFRanking & UB-CFIIC3633 - Sistemas Recomendadores
Denis ParraProfesor Asistente, DCC, PUC CHile
8/2/16, 02:58Ranking & UB-CF
Page 2 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
TOCEn esta clase
1. Actividades principales del semestre: Blog, Tarea 1, Presentacion, Proyecto Final
2. Definición y un poco de Historia
3. Ranking No Personalizado
4. User-Based Collaborative Filtering
5. Referencias
2/19
8/2/16, 02:58Ranking & UB-CF
Page 3 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
DefiniciónRecommender Systems aim to help a user or a group of users in a system to select items from a crowded item or information space. (MacNee et. al 2006)
R. Burke tenía su propia definición, similar a esta, pero agregaba ...in a personalized way.
El problema de recomendación formalizado (Adomavicius et al. 2007)
∀c ∈ C, = arg u(c, s)s′c maxs∈S
u : C × S → R, f uncion de utilidad
R : conjunto recomendado de itemsC : conjunto de usuarios
S : conjunto de items
3/19
8/2/16, 02:58Ranking & UB-CF
Page 4 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Recomendaciones estilo Amazon.com
1. Un Poco de Historia
4/19
8/2/16, 02:58Ranking & UB-CF
Page 5 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
1.1 En 1992 Xerox PARC Tapestry
Link to PDF file
5/19
8/2/16, 02:58Ranking & UB-CF
Page 6 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
1.2 MovieLens
Link to Amatriain 2012
6/19
8/2/16, 02:58Ranking & UB-CF
Page 7 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
NetFlix Prize (2007-2009)
7/19
8/2/16, 02:58Ranking & UB-CF
Page 8 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
1.3 Netflix en 2012
Link to Amatriain 2012
8/19
8/2/16, 02:58Ranking & UB-CF
Page 9 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
1.3 Netflix en 2012 (continuación)
Link to Amatriain 2012
9/19
8/2/16, 02:58Ranking & UB-CF
Page 10 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Ranking no personalizado (Blog de Evan Miller,2009)1. Popularidad.
2. Score: (Ratings Positivos) - (Ratings Negativos)
3. Score: (Rating Promedio) = (Ratings Positivos)/(Total de Ratings)
4. Score: Considerando Ratings positivos y negativos, Limite inferior del Intervalo de Confianza del Wilson Score,para un parámetro Bernoulli.
Donde es la proporción (estimada) de ratings positivos, es el cuantil de la distribución normal, y el número deratings. , también llamado nivel de significancia estadístico, generalmente se considera 95%.
p̂ zα/2 (1 − α/2) nα
10/19
8/2/16, 02:58Ranking & UB-CF
Page 11 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Clasificacion(es)1. Considerando los Datos usados
1. Basado en Reglas (Rule-based)
2. Basado en Contenido (Content-based)
3. Filtrado Colaborativo (el usuario y sus vecinos)
2. Considerando el Modelo
1. Memory-based (KNN)
2. Model-based (Representación latente)
11/19
8/2/16, 02:58Ranking & UB-CF
Page 12 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Filtrado Colaborativo basado en el usuarioDos tareas son necesarias:
KNN: Encontrar los K vecinos más cercanos (KNN) al usuario :
Predecir el rating que un usuario dará a un ítem :
· a
Similaridad(a, i) = w(a, i), i ∈ K
· a j
= + α w(a, i)( − )pa,j v̄a ∑i=1
nvi,j v̄i
12/19
8/2/16, 02:58Ranking & UB-CF
Page 13 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Ejemplo: Correlación de Pearson
13/19
8/2/16, 02:58Ranking & UB-CF
Page 14 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Ejemplo: Correlación de PearsonSOLUCION
14/19
8/2/16, 02:58Ranking & UB-CF
Page 15 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Ejemplo: Correlación de Pearson
15/19
8/2/16, 02:58Ranking & UB-CF
Page 16 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Ejemplo Paso 2: Predicción del rating
16/19
8/2/16, 02:58Ranking & UB-CF
Page 17 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Ejemplo Paso 2: Predicción del ratingSOLUCION
17/19
8/2/16, 02:58Ranking & UB-CF
Page 18 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
Ejemplo Paso 2: Predicción del rating
18/19
8/2/16, 02:58Ranking & UB-CF
Page 19 of 19file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase1_recsysintro.html#1
ReferenciasAdomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art andpossible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6), 734-749.
Amatriain, X. (2013). Mining large streams of user data for personalized recommendations. ACM SIGKDD Explorations Newsletter,14(2), 37-48.
Miller, B. N., Albert, I., Lam, S. K., Konstan, J. A., & Riedl, J. (2003, January). MovieLens unplugged: experiences with an occasionallyconnected recommender system. In Proceedings of the 8th international conference on Intelligent user interfaces (pp. 263-266). ACM.
Parra, D., & Sahebi, S. (2013). Recommender systems: Sources of knowledge and evaluation metrics. In Advanced Techniques in WebIntelligence-2 (pp. 149-175). Springer Berlin Heidelberg.
·
·
·
·
19/19
Top Related