Alonso Gonzlez

Extrado de G. Huecas J. Salvacha

ndice

Qu son los Sistemas de Recomendacin?

Taxonoma vs. Folksonomas
Arquitectura SR Similitud Predictores Evaluacin de SR

Taller Enunciado Trabajo de investigacin

Sistemas de Recomendacin
Recomendar es la accin de sugerir a alguien alguna cosa en la que posiblemente estar interesado. Ejemplos:

Sistemas de Recomendacin

Para construir sistemas de recomendacin, hay que poner atencin en:

Analizar los tems

Analizar a los usuarios

Analizar las asociaciones entre tems y

usuarios

Anlisis de los tems

Parecidos

tems
Recomendacin

Gusta

Usuarios

Anlisis de los tems

tems
Recomendacin Gusta

Usuarios

Parecidos

Sistema de Recomendacin

Los Sistemas de Recomendacin forman parte de un tipo especifico de tcnica de filtro de informacin, los cuales presentan distintos tipos de temas o tems de informacin (pelculas, msica, libros, noticias, imgenes, paginas web, etc.) que son del inters de un usuario en particular. Generalmente, un Sistema de Recomendacin compara el perfil del usuario con algunas caractersticas de referencia de los temas, y busca predecir el "ranking" o ponderacin que el usuario le dara a un tem que an el sistema no ha considerado. Estas caractersticas pueden basarse en la relacin o acercamiento del usuario con el tema o en el ambiente social del mismo usuario.

Mecanismos de Retroalimentacin

Cuando se crea un perfil del usuario, se crea utilizando dos formas o mtodos en la recoleccin de caractersticas (implcitas o explicitas).
Explcita: Cuando se aplica la recomendacin

explcita, el sistema otorga al usuario la oportunidad de calificar, dentro de un rango predefinido, los tems que ha utilizado Implcita: El sistema obtiene retroalimentacin implcita capturando la interaccin del usuario sin que l lo note.

Recoleccin de Datos

Ejemplos de recoleccin de datos de forma explicita

Solicitar al usuario que pondere en base a una escala proporcionada,

algn tema en particular Solicitar al usuario que pondere un conjunto de temas de una lista de temas favoritos Presentar al usuario dos temas, y solicitarle que seleccione uno de ellos Solicitar al usuario que cree una lista de temas de su preferencia

Algunos ejemplos de recoleccin de datos de forma implcita

Guardar un registro de los temas que el usuario ha visto en una tienda

online Analizar el nmero de visitas que recibe un artculo Guardar un registro de los artculos que el usuario ha seleccionado Obtener un listado de los artculos que el usuario ha seleccionado o visto en su computadora Analizar las redes sociales de las que el usuario forma parte y de esta manera conocer sus gustos y preferencias

Algoritmos de Recomendacin (I)

En general, los algoritmos de recomendacin deben encontrar la preferencia (likeliness), que se expresa en una de estas 2 formas:
Prediccin: un valor numrico P(a,j) que predice

la preferencia del usuario activo (Ua), hacia el tem (Ij), no usado aun por Ua. Recomendacin: una lista de los N primeros tems que el usuario Ua posiblemente prefiere, no usados an por Ua, y se llaman los top-N.

Algoritmos de Recomendacin (II)

Pueden basarse en el usuario (en la memoria), o en el tem (en el modelo).

Los algoritmos basados en el usuario usan estadsticas para

buscar el conjunto de los usuarios mas similares al Ua (vecinos cercanos, o nearest neighbors) y a continuacin combinan las preferencias de esos vecinos para producir una prediccin o recomendacin (top-N) para Ua. Los algoritmos basados en los tems suponen que un usuario estara interesado en tems similares a los que le interesaron antes a ese mismo usuario, y buscan entre el conjunto de tems que el usuario ha usado y jerarquizado, calculan la similitud con el tem objetivo, y seleccionan los k mas similares. Tambin se les llama basados en el modelo, pues desarrollan primero un modelo de las opiniones de los usuarios, usando tcnicas de aprendizaje automtico [SARWAR00], [SARWAR01], [YU].

Algoritmos Recomendacin (III)

Uno de los algoritmos mas usado comnmente en sistemas de recomendacin es el Nearest Neighborhood (Acercamiento al Vecino mas Cercano). En una red social, un usuario particular usa un vecino con gustos e intereses similares que pueden ser encontrados calculndolos con la Pearson Correlation, recolectando las preferencias de los primeros N- vecinos para un usuario en particular, (pesado por su similitud), y se predice la preferencia del usuario usando ciertas tcnicas.

Taxonoma vs. Folksonoma (I)

Tradicionalmente, clasificar grandes cantidades de informacin requiere de un riguroso proceso en el cual un grupo de expertos documentalistas, clasifica una serie de volmenes de acuerdo a una taxonoma pre-existente, haciendo uso de un Vocabulario Controlado que permite mantener la precisin y autoridad en esta clasificacin. Un sistema de clasificacin social contradice todos estos principios: La clasificacin social deja la puerta abierta para que cualquier persona agregue trminos descriptivos, tambin conocidos como keywords o tags a los diferentes elementos de la coleccin, sin control en su vocabulario ni jerarqua en la organizacin. El resultado de esto es una clasificacin plana, llena de ambigedad y errores, pero con un gran dinamismo y flexibilidad para adaptarse a la mentalidad de los usuarios, lo que resulta til para stos.

Taxonoma vs. Folksonoma (II)

Taxonoma: Control Autoridad Precisin Jerarqua, clasificacin Bsqueda Folksonoma: Flexibilidad Simpleza, popularidad Utilidad Plano, categorizacin Exploracin, serendipity

Folksonomas

Ventajas de las Folksonomies:

Las folksonomies entregan informacin acerca de la

gente que las crea, invitando a la participacin. Tienen el potencial de nutrir una Web Semntica. A nivel de empresa tienen el potencial de mejorar la categorizacin de documentos. Refleja directamente el lenguaje de los usuarios.

Debilidades de las Folksonomies:

Polisemia Palabras con mltiples significados Sinonimia Conceptos descritos con diferentes trminos Plurales y races: Gato vs gatos , Ciclismo vs Ciclista

SR: Aplicacin
Necesito informacin de libros ayuda?

WWW

S R

SR: Concepto

Un Sistema de Recomendacin es una herramienta que ayuda al usuario a obtener la informacin que necesita de acuerdo a sus preferencias
Un SR toma decisiones basado en informacin

disponible. Un SR requiere de un mtodo de filtrado de la informacin. Un SR se aplica en algn dominio determinado (Ej: pelculas, msica, restaurantes, email, ecommerce,..)

Arquitectura del SR
Motor del Sistema de Recomendaciones

Perfil del Usuario Recomendaciones Sistema de Informacin (Data Source) Interacta

Usuario

Mdulo de Actualizacin del Perfil del Usuario

SR Colaborativos
1.

2.

Mapea usuarios con intereses similares y luego crea recomendaciones sobre esa base Sugiere nuevos tems o predice la utilidad de un cierto tem para un usuario particular basado en los gustos previos del usuario y en las opiniones de otros usuarios con iguales intereses.

Tcnicas de Recomendacin
1.

[BURKE]

2.

3.

Colaborativa, que acumula recomendaciones de usuarios sobre los tems, identifica similitudes entre usuarios y genera nuevas recomendaciones. Demogrfica, que clasifica a los usuarios en grupos y hace recomendaciones de acuerdo con el grupo. Basada en el contenido (es una ampliacin del filtrado de informacin), que aprende el perfil del usuario basado en las caractersticas de los tems que l mismo ha jerarquizado y ofrece recomendaciones de acuerdo con su perfil. Esta tcnica y la colaborativa crean un modelo a largo plazo, que van actualizando a medida que llegan evidencias.

Tcnicas de Recomendacin
4.

5.

6.

Basada en utilidad, que no construye generalizaciones a largo plazo, sino que compara la necesidad del usuario con el conjunto de opciones disponible, mediante una funcin de la utilidad de cada objeto para el usuario; esa funcin seria su perfil. Luego emplea tcnicas de satisfaccin de restricciones para escoger la mejor opcin. Basada en el conocimiento, que dispone de informacin acerca de cmo un tem satisface una necesidad del usuario y establece relacin entre una necesidad y una recomendacin. El perfil puede ser cualquier estructura de datos que soporte esta relacin. Algunos sistemas han usado el razonamiento basado en casos para la recomendacin. Sistemas Hibridos: Los sistemas hbridos explotan caractersticas de los sistemas Basados en Contenido y Colaborativos, debido a la naturaleza complementaria de ambos. Lo que se busca es sobrellevar los inconvenientes de ambos sistemas para obtener mejores recomendaciones. Para crear un sistema hbrido colaborativo basado en contenido, los perfiles de usuario se mantienen segn el anlisis de los contenidos de los tems, y directamente se comparan esos perfiles para determinar las similitud entre usuarios para una recomendacin colaborativa.

Trabajo de investigacin
Se les asignar a cada grupo (2 personas) una tcnica de recomendacin. Investigar, analizar y profundizar el tema asignado. Presentar el da Jueves 29 de Diciembre.

Bibliografa

[AKAPA] http://www.akapa.com/member.html [AVERY] Christopher Avery, Richard Zeckhauser. Recommender systems for evaluating computer messages. Communications of the ACM, 40(3):88-89, March 1997 [BALABANOVIC] Marko Balabanovc and Yoav Shoham. Fab: Contentbased, collaborative recommendation. Communications of the ACM, 40(3):66-72, March 1997. [BIGDATES] http://www.bigdates.com/ [BRESSE] J. Bresse, D. Heckerman, and C. Kadie.Empirical analysis of predictive algorithms for collaborative filtering. Proceedings of the UAI-98 Conference. Morgan Kaufmann, 1998. [BURKE] Burke Robin. Hybrid recommender systems: survey and experiments. User Modeling and User-Adapted Interaction. November 2002. Volume 12 Issue 4. [CHAFFEY] Chaffey Dave, Groupware, Workflow and Intranets. Reengineering the Enterprise with Collaborative Software. Chaffey Dave, Ed. Digital Press, 1998. [CISCO] http://www.cisco.com/warp/public/cc/pd/unco/persasst/

Bibliografa

[SARWAR00] Sarwar, B. M., Karypis, G., Konstan, J. A., and Riedl, J. "Analysis of Recommendation Algorithms for E-Commerce". Proceedings of the 2nd ACM E-Commerce Conference (EC'00). Oct., 2000.

http://www-users.cs.umn.edu/~sarwar/ec00.pdf

[SARWAR01] Sarwar, B. M., Karypis, G., Konstan, J. A., and Riedl, J. "Item-based Collaborative Filtering Recommender Algorithms. Accepted for publication at the WWW10 Conference. May, 2001.

http://www-users.cs.umn.edu/~sarwar/sdm.pdf

[GUY-CARMEL] Guy,, Carmel, D. Social Recommender System. www 2011, IBM RESEARCH

http://www.slideshare.net/idoguy/social-recommender-systems-tutorial-www-20117446137

Bibliografa

[SEGARAN] Toby Segaran, Programming Collective Intelligence. OReilly [SHELLTOYS] http://www.shelltoys.com/personal_assistant/index.html [SITEEXPERTS] http://www.siteexperts.com/assist/about.asp [TERVEEN] Loren Terveen, Will Hill, Brian Amento, David McDonald, Josh Creter. PHOAKS: a system for sharing recommendations. Communications of the ACM, 40(3):59-62, March 1997. [VIPDESK] http://www.vipdesk.com/info/about.asp [WIKIPEDIA] http://es.wikipedia.org/wiki/Sistema_recomendador http://www.slideshare.net/elifermar/qu-es-la-web-20-concepto-yrecorrido-por-aplicaciones-prcticas [YAHOO] http://www.yahoo.com [YU]Kai Yu, Zhong Wen Xiaowei Xu Martin Ester. Feature weighting and instance slection for collaborative filtering. http://ifsc.ualr.edu/xwxu/publications/wim01.pdf

Taller para realizar en clases

Taller
Reunirse

de a dos personas. Investigar un sitio que tenga sistemas de recomendacin e interactuar en ste.
El objetivo es internalizarse (logearse en el

sitio) e identificar en donde se realiza la recomendacin e interactuar con su compaero de grupo Luego de introducirse en el sitio, hacer una pequea presentacin ante el curso de lo aprendido y explicar cmo ste recomienda.

Ejemplos de SR

Amazon.com (Pagina de compra por internet, incluye recomendaciones de productos) Amie Street (Servicios de msica) Baynote (Servicio de recomendacin va web) ChoiceStream (Sistema de recomendacin de productos) Collarity (Plataforma multimedia de recomendacin) Daily Me (Sistema de recomendacin de noticias) Genius (Servicio de msica, forma parte de la tienda online de iTunes) Last.fm (Sistema de msica) Loomia (Motor de contenido) Strands (Tecnologa de recomendacin social) Netflix (Servicio de alquiler de DVD) Pandora (servicio de msica) Reddit (Sistema de recomendacin de noticias) Slacker (servicio de msica) StumbleUpon (Servicio web) StyleFeeder (Busqueda personalizada de compras)