1 / 33

Personalizovan é odporúčanie

Personalizovan é odporúčanie. MK. Čo je to odporúčanie ?. Odporúčaný postup udržiavania lakovaných dvierok Odporúčaný príjem živín pre deti Odporúčaný študijný plán pre študijný program Odporúčaný čas opaľovania. Personalizované odporúčanie.

kato-cook
Download Presentation

Personalizovan é odporúčanie

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Personalizované odporúčanie MK

  2. Čo je to odporúčanie? • Odporúčaný postup udržiavania lakovaných dvierok • Odporúčanýpríjemživín pre deti • Odporúčanýštudijnýplán pre študijný program • Odporúčaný čas opaľovania

  3. Personalizovanéodporúčanie

  4. David Goldberg, David Nichols, Brian M. Oki, and Douglas Terry. 1992. Using collaborative filtering to weave an information tapestry. Commun. ACM 35, 12 (December 1992), 61-70.

  5. Vstupy • Obsah • Prepojenia • Správanie

  6. Klasifikácia

  7. Kolaboratívne odporúčanie

  8. Kolaboratívne odporúčanie • Používatelia vs. prvky odporúčania • Viaceré typy hodnotenia obsahu: • Interval, binárne hodnotenie, unárne hodnotenie

  9. Kolaboratívne odporúčanie • Založené na analýze vzťahov (podobných ľudí) • Viaceré metriky pre hľadanie podobnosti • Výhody: • Nezávislosť na obsahu • Jednoduchosť • Nevýhody • Nový používateľ • Nový prvok • Riedkosť hodnotení

  10. Vsuvka Daniel Tunkelang @ RecSys 2012

  11. Vsuvka Pridaj sa do skupiny

  12. Vsuvka Bolo by fajn keby SA pridal Pridaj sa do skupiny kamaráti

  13. Odporúčanie založené na obsahu VS.

  14. Odporúčanie založené na obsahu • Založené na analýze obsahu • Viaceré metriky pre hľadanie podobnosti • Výhody: • Nezávislosť na používateľoch • „Priehľadnosť“ • Spracovanie nových prvkov • Nevýhody • Spracovanie obsahu • Špecializovanosť • Nový používateľ

  15. Škálovateľnosť • Veľa dokumentov • Nový dokument • Analyzovanie obsahu • Výpočet podobnosti • Nezávislé na ľuďoch • Veľa používateľov, málo hodnotení • Prerátavanie podobnosti • Nový obsah – málo hodnotení • Čakám na hodnotenie • Riedka matica • Nezávislé na obsahu

  16. Hybridné odporúčanie • Dve a viac techník kombinuje do jedného odporúčania • Prístupy kombinovania • Váhovanie • Mix • Prepínanie • Kaskáda • Meta odporúčanie

  17. Turbo kolaboratívne odporúčanie odporúčanie

  18. Čo vyhodnocovať? • Presnosť odporúčania • Presnosť odhadovania hodnotení • V závislosti od všetkého čo sa dá: • Rôznorodosti skupín • Agregačnej stratégie • Veľkosti skupiny • Počtu podobných používateľov použitých pre odporúčanie

  19. Dáta • MovieLens 100k • 100k hodnotení (min 20 per user) • 943 používateľov • 1682 filmov • Vytvorených 950 skupín (190x5) • SME.SK • 1200 používateľov • Hodnotenia (avg 14 per user) – riedke • Kombinácia sekcia a kategória = ID • 5 fold-crossvalidation (80:20 train:test)

  20. Cieľ odporúčania • Dobré veci (some/all) • Špeciálna funkcia – zisk, vedomosti... • Názor používateľa - rating

  21. Spôsob vyhodnocovania • Online • „živé nasadenie“ (MS) • Offline • „mŕtve nasadenie“ • podmienky

  22. Trainvs. Test 80 20 20 20 20 20 20 99 1

  23. Metriky • Precision, Recall, F1 • MAE, RMSE dobré z odp. dobré z test

  24. Metriky

  25. Metriky-realita • Precision@3, Precision@10

  26. Podobnosť v rámci virtuálnych skupín • Veľa skupín s rôznou podobnosťou • „optimalizácia“ úrovne podobnosti v závislosti na zvolenej metrike • Vygenerované skupiny – podobnosť 0-0,6 • Bestperformer – 0.2-0.4

  27. Agregačné stratégie • LM – hodnotenia od členov 3,1,5 = 1 • MP – hodnotenia od členov 3,1,5 = 5

  28. Vlastnosti metódy (p=0.0018, a=0.05, t=4.21)

  29. SME • Zopakovať to celé ešte raz .... (p=0.0001, =0.05, t=29.10)

  30. Celkove • SME 10.01% P@3 and 8.64% P@10 • MovieLens 11.5% P@3 and 10.4% P@10

  31. Čo ďalej • Accuracyevaluatinonmetrics • Diversity • Explainingrecommendations • Recommenderevaluation • Netfilx, MovieLens, BookCrossing, Yahoo!, Jester, Last.fm, SME, CoMoDa, DBLP, Flixter, Plista, Citeulike, Mendeley ...

More Related