Download - Presentación SRM
-
5/26/2018 Presentaci n SRM
1/20
Jaime Leonerys Carranza CedeoMiguel Armando Ortiz Caarte
-
5/26/2018 Presentaci n SRM
2/20
Sistemas de Recomendaciones Un sistema de recomendaciones es un tipo especfico
de filtro de informacin que sugiere a los usuariostems o productos concretos basndose en suspreferencias
-
5/26/2018 Presentaci n SRM
3/20
Ejemplos de Sistemas de
Recomendaciones iTunes
Pandora
Last.fm
Facebook
Snooth
-
5/26/2018 Presentaci n SRM
4/20
Componentes Usuarios
Perfiles
RecomendadoresValoracin
-
5/26/2018 Presentaci n SRM
5/20
Mecanismos de Retroalimentacin Explcita: Cuando se aplica la recomendacin explcita,
el sistema otorga al usuario la oportunidad de calificar,dentro de un rango predefinido, los tems que hautilizado
Implcita: El sistema obtiene retroalimentacinimplcita capturando la interaccin del usuario sin que
l lo note.
-
5/26/2018 Presentaci n SRM
6/20
Mtodos de Recomendacin Recomendacin colaborativa
Recomendacin basada en contenido
Recomendacin basada en demografa
Recomendacin basada en utilidad
Recomendacin basada en conocimiento
-
5/26/2018 Presentaci n SRM
7/20
Recomendacin Basada en
Contenido En este caso la recomendaciones son hechas
exclusivamente en base a los tems que el usuario haelegido en el pasado.
-
5/26/2018 Presentaci n SRM
8/20
Recomendacin Colaborativa Cuando se aplica recomendacin colaborativa, las
recomendaciones son hechas exclusivamente en base alos usuarios con gustos similares.
Hay sistemas que aplican ms de un mtodo derecomendacin:
FAB
SELECT
-
5/26/2018 Presentaci n SRM
9/20
Desventajas de la Recomendacin
Basada en Contenido Se hace un anlisis automtico de los tems,
considerando atributos predefinidos pero se deja delado otros atributos relevantes.
Las sugerencias son hechas en funcin del historial detems elegidos por el usuario, por lo tanto el usuarioslo puede recibir recomendaciones que concuerdencon su perfil
-
5/26/2018 Presentaci n SRM
10/20
Desventajas de la Recomendacin
Colaborativa Cuando un nuevo tem se aade al sistema, como no
ha sido evaluado por ningn usuario, no hay forma derecomendarlo.
Si un usuario particular no se identifica con los gustosde ningn otro usuario del sistema, no es factiblehallar vecinos cercanos, y por lo tanto hacerrecomendaciones.
Se requiere un mnimo de usuarios para elaborar laspredicciones
-
5/26/2018 Presentaci n SRM
11/20
Ventajas de Recomendacin Colaborativa sobre
Basada en Contenido En la recomendacin colaborativa, los usuarios
utilizan sus criterios para evaluar los tems, cubriendoas ms caractersticas de los tems que evalan.
En recomendacin colaborativa es posible que elusuario reciba recomendaciones que no se alineen a superfil (pero s a sus gustos).
-
5/26/2018 Presentaci n SRM
12/20
Algoritmos de Recomendacin
Colaborativa Los algoritmos de recomendacin colaborativa se
basan en el producto punto entre dos vectores y en lasfrmulas de correlacin .
-
5/26/2018 Presentaci n SRM
13/20
Producto Punto
cosu v u v
-
5/26/2018 Presentaci n SRM
14/20
Producto Punto Cuando es cero, los vectores apuntan en la misma
direccin. As, para valores de cercanos a cero, losvectores tienden a apuntar en la misma direccin.
-
5/26/2018 Presentaci n SRM
15/20
Producto Punto Ejemplo:
% tems
Usuario A B C D F
1 4 5 0 0 0
2 5 6 0 5 0
3
5
0
4
0
8
4 0 0 5 0 0
-
5/26/2018 Presentaci n SRM
16/20
Correlacin El coeficiente de correlacin de Pearsonmide la
relacin lineal entre dos variables cuantitativas.
, ,1,
m
u i v iu vi
u v
r r r r sim u v
-
5/26/2018 Presentaci n SRM
17/20
Algoritmos de Recomendacin
Basado en Usuario Similitud
Recomendacin
, i ji ji j
u uSim u u
u u
,1
1
,
, ,
k
n
u i kk
n
kk
r Sim a up
a i Sim a u
-
5/26/2018 Presentaci n SRM
18/20
Algoritmos de Recomendacin
Basado en Usuario Con la aplicacin de la frmula anterior para cada par
de usuarios del sistema se genera una matriz desimilitud. Por ejemplo, si la primera fila de la matriz desimilitud contiene la siguiente informacin:
u1: 0.5 u2 | 0.3 u3 | 0.2 u4 | 0.6 u7 | 0.9 u8
-
5/26/2018 Presentaci n SRM
19/20
Algoritmos de Recomendacin
Basado en tems El principio es el mismo que en el caso de las
recomendaciones basadas en usuario, la diferencia esque en este caso buscamos similitudes entre tems enlugar de buscar similitudes entre usuarios.
-
5/26/2018 Presentaci n SRM
20/20
Anlisis de Algoritmos En general, para un dataset con n usuarios y m tems,
para cada usuario se deben realizar n-1 comparaciones,en total n(n-1). En el peor de los casos cadacomparacin implica m operaciones. As, el tiempo deejecucin es del orden de mn2.