presentación srm

5/26/2018 Presentaci n SRM

1/20

Jaime Leonerys Carranza CedeoMiguel Armando Ortiz Caarte


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


3/20

Ejemplos de Sistemas de

Recomendaciones iTunes

Pandora

Last.fm

Facebook

Snooth


4/20

Componentes Usuarios

Perfiles

RecomendadoresValoracin


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.


6/20

Mtodos de Recomendacin Recomendacin colaborativa

Recomendacin basada en contenido

Recomendacin basada en demografa

Recomendacin basada en utilidad

Recomendacin basada en conocimiento


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.


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


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


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


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).


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 .


13/20

Producto Punto

cosu v u v


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.


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


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


17/20


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


18/20


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


19/20


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.


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.

presentación srm

Documents