Alonso González

Extraído de G. Huecas J. Salvachúa

Índice

¿Qué son los Sistemas de Recomendación?
 Taxonomía vs. Folksonomías
 Arquitectura SR ○ Similitud ○ Predictores ○ Evaluación de SR

Taller  Enunciado Trabajo de investigación

Sistemas de Recomendación
Recomendar es la acción de sugerir a alguien alguna cosa en la que posiblemente estará interesado.  Ejemplos:

Sistemas de Recomendación

Para construir sistemas de recomendación, hay que poner atención en:
 Analizar los ítems

 Analizar a los usuarios
 Analizar las asociaciones entre ítems y

usuarios

Análisis de los ítems
Parecidos

Ítems
Recomendación

Gusta

Usuarios

Análisis de los ítems
Ítems
Recomendación Gusta

Usuarios

Parecidos

Sistema de Recomendación

Los Sistemas de Recomendación forman parte de un tipo especifico de técnica de filtro de información, los cuales presentan distintos tipos de temas o ítems de información (películas, música, libros, noticias, imágenes, paginas web, etc.) que son del interés de un usuario en particular. Generalmente, un Sistema de Recomendación compara el perfil del usuario con algunas características de referencia de los temas, y busca predecir el "ranking" o ponderación que el usuario le daría a un ítem que aún el sistema no ha considerado. Estas características pueden basarse en la relación o acercamiento del usuario con el tema o en el ambiente social del mismo usuario.

Mecanismos de Retroalimentación

Cuando se crea un perfil del usuario, se crea utilizando dos formas o métodos en la recolección de características (implícitas o explicitas).
 Explícita: Cuando se aplica la recomendación

explícita, el sistema otorga al usuario la oportunidad de calificar, dentro de un rango predefinido, los ítems que ha utilizado  Implícita: El sistema obtiene retroalimentación implícita capturando la interacción del usuario sin que él lo note.

Recolección de Datos

Ejemplos de recolección de datos de forma explicita
 Solicitar al usuario que pondere en base a una escala proporcionada,

algún 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 recolección de datos de forma implícita
 Guardar un registro de los temas que el usuario ha visto en una tienda
  

online Analizar el número de visitas que recibe un artículo Guardar un registro de los artículos que el usuario ha seleccionado Obtener un listado de los artículos 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 Recomendación (I)

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

la preferencia del usuario activo (Ua), hacia el ítem (Ij), no usado aun por Ua.  Recomendación: una lista de los N primeros ítems que el usuario Ua posiblemente prefiere, no usados aún por Ua, y se llaman los top-N.

Algoritmos de Recomendación (II)

Pueden basarse en el usuario (en la memoria), o en el ítem (en el modelo).
 Los algoritmos basados en el usuario usan estadísticas para

buscar el conjunto de los usuarios mas similares al Ua (vecinos cercanos, o nearest neighbors) y a continuación combinan las preferencias de esos vecinos para producir una predicción o recomendación (top-N) para Ua.  Los algoritmos basados en los ítems suponen que un usuario estaría interesado en ítems similares a los que le interesaron antes a ese mismo usuario, y buscan entre el conjunto de ítems que el usuario ha usado y jerarquizado, calculan la similitud con el ítem objetivo, y seleccionan los k mas similares. También se les llama “basados en el modelo”, pues desarrollan primero un modelo de las opiniones de los usuarios, usando técnicas de aprendizaje automático [SARWAR00], [SARWAR01], [YU].

Algoritmos Recomendación (III)

Uno de los algoritmos mas usado comúnmente en sistemas de recomendación 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 calculándolos 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 técnicas.

Taxonomía vs. Folksonomía (I)
Tradicionalmente, clasificar grandes cantidades de información requiere de un riguroso proceso en el cual un grupo de expertos documentalistas, clasifica una serie de volúmenes de acuerdo a una taxonomía pre-existente, haciendo uso de un Vocabulario Controlado que permite mantener la precisión y autoridad en esta clasificación.  Un sistema de clasificación social contradice todos estos principios: La clasificación social deja la puerta abierta para que cualquier persona agregue términos descriptivos, también conocidos como keywords o tags a los diferentes elementos de la colección, sin control en su vocabulario ni jerarquía en la organización.  El resultado de esto es una clasificación plana, llena de ambigüedad y errores, pero con un gran dinamismo y flexibilidad para adaptarse a la mentalidad de los usuarios, lo que resulta útil para éstos.

Taxonomía vs. Folksonomía (II)
Taxonomía: ● Control ● Autoridad ● Precisión ● Jerarquía, clasificación ● Búsqueda Folksonomía: ● Flexibilidad ● Simpleza, popularidad ● Utilidad ● Plano, categorización ● Exploración, serendipity

Folksonomías

Ventajas de las Folksonomies:
 Las folksonomies entregan información acerca de la

gente que las crea, invitando a la participación.  Tienen el potencial de nutrir una Web Semántica.  A nivel de empresa tienen el potencial de mejorar la categorización de documentos.  Refleja directamente el lenguaje de los usuarios.

Debilidades de las Folksonomies:
    

Polisemia Palabras con múltiples significados Sinonimia Conceptos descritos con diferentes términos Plurales y raíces: Gato vs gatos , Ciclismo vs Ciclista

SR: Aplicación
Necesito información de libros ¿ayuda?

WWW

S R

SR: Concepto

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

disponible.  Un SR requiere de un método de filtrado de la información.  Un SR se aplica en algún dominio determinado (Ej: películas, música, restaurantes, email, ecommerce,..)

Arquitectura del SR
Motor del Sistema de Recomendaciones

Perfil del Usuario Recomendaciones Sistema de Información (Data Source) Interactúa

Usuario

Módulo de Actualización del Perfil del Usuario

SR Colaborativos
1.

2.

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

Técnicas de Recomendación
1.

[BURKE]

2.

3.

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

Técnicas de Recomendación
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 función de la utilidad de cada objeto para el usuario; esa función seria su perfil. Luego emplea técnicas de satisfacción de restricciones para escoger la mejor opción. Basada en el conocimiento, que dispone de información acerca de cómo un ítem satisface una necesidad del usuario y establece relación entre una necesidad y una recomendación. El perfil puede ser cualquier estructura de datos que soporte esta relación. Algunos sistemas han usado el razonamiento basado en casos para la recomendación. Sistemas Hibridos: Los sistemas híbridos explotan características 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 híbrido colaborativo basado en contenido, los perfiles de usuario se mantienen según el análisis de los contenidos de los ítems, y directamente se comparan esos perfiles para determinar las similitud entre usuarios para una recomendación colaborativa.

Trabajo de investigación
Se les asignará a cada grupo (2 personas) una técnica de recomendación.  Investigar, analizar y profundizar el tema asignado.  Presentar el día Jueves 29 de Diciembre.

Bibliografía
  

 

[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 Balabanovíc 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/

Bibliografía

[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

Bibliografía


 


  

[SEGARAN] Toby Segaran, Programming Collective Intelligence. O’Reilly [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 recomendación e interactuar en éste.
 El objetivo es internalizarse (logearse en el

sitio) e identificar en donde se realiza la recomendación e interactuar con su compañero de grupo  Luego de introducirse en el sitio, hacer una pequeña presentación ante el curso de lo aprendido y explicar cómo éste recomienda.

Ejemplos de SR


             

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

Sign up to vote on this title
UsefulNot useful