XPLODIV: An Exploitation-Exploration Aware Diversification Approach for Recommender Systems
•
2 recomendaciones•598 vistas
Recommender Systems (RS) have emerged to guide users in the task of efficiently browsing/exploring a large product space, helping users to quickly identify interesting products. However, suggestions generated with traditional RS usually do not produce diverse results though it has been argued that diversity is a desirable feature. The study of diversity-aware RS has become an important research challenge in recent years, drawing inspiration from diversification solutions for Information Retrieval (IR). However, we argue it is not enough to adapt IR techniques to RS as they do not place the necessary importance to factors such as serendipity, novelty and discovery which are imperative to RS. In this work, we propose a diversification technique for RS that generates a diversified list of results which not only balances the tradeoff between quality (in terms of accuracy) and diversity, but also considers the trade-off between exploitation of the user profile and exploration of novel products. Our experimental evaluation shows that the proposed approach has comparable results to state of the art approaches. Moreover, through control parameters, our approach can be tuned towards more explorative or exploitative recommendations.
Recomendados
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Similar a XPLODIV: An Exploitation-Exploration Aware Diversification Approach for Recommender Systems
Similar a XPLODIV: An Exploitation-Exploration Aware Diversification Approach for Recommender Systems (20)
Último
Último (20)
XPLODIV: An Exploitation-Exploration Aware Diversification Approach for Recommender Systems
- 1. XPLODIV: An Exploitation-Exploration Aware Diversification Approach for Recommender Systems Andrea Barraza-Urbina, Benjamin Heitmann, Conor Hayes, Angela Carrillo-Ramos The 28th International FLAIRS Conference May 18-20, 2015 Hollywood, Florida, USA Pontificia Universidad Javeriana Facultad de Ingeniería Maestría en Ingeniería de Sistemas y Computación Bogotá, Colombia The Insight Centre for Data Analytics Unit for Information Mining and Retrieval (UIMR) National University of Ireland Galway, Ireland
- 2. Centre for Data Analytics Agenda Introduction XPLODIV Diversification Approach Conclusion and Future Work Experimental Validation Literature Review 2
- 3. Centre for Data Analytics Introduction Conclusion and Future Work Experimental Validation Literature Review 3 XPLODIV Diversification Approach Agenda
- 4. 4 >50% of Job Applications are due to Recommendation ~75% of Watched Movies are due to Recommendation Tools that help users identify interesting products by means of personalized suggestions. Discovery Recommender Systems
- 6. Centre for Data Analytics The task of selecting a subset of k elements from a broader set S in order to maximize an objective function that considers both the relevance and diversity of the k elements. DiversityRelevance A set is diverse if there is a high level of heterogeneity (dissimilarity) between the items in the collection. 6 The Diversification Problem
- 7. Centre for Data Analytics Search Space User Profile Recommend 10 movies to a user… Movie Recommendation System 7 The Diversification Problem Comedy ActionDrama
- 8. Centre for Data Analytics What happens if the user is no longer interested in Action movies? Organize by relevance… 8 The Diversification Problem User Profile Comedy ActionDrama
- 9. Centre for Data Analytics VS. Diversity -Variety -Balance -Disparity Relevance Relevance Diversity In response to user profile ambiguity and the redundancy among results… 9 The Diversification Problem
- 10. Centre for Data Analytics • Offering items representative of the variety of the user’s tastes. • Offering novel products to explore unknown user preferences. • Novelty can be achieved depending on how far or diverse an item is from the user’s past experience. Discovery Exploitation of the User Profile Exploration of novel products 10 Exploitation vs. Exploration
- 11. Centre for Data Analytics Design a diversification technique that: Research Goal
- 12. Centre for Data Analytics XPLODIV Diversification Approach Conclusion and Future Work Experimental Validation Literature Review 12 Introduction Agenda
- 13. Centre for Data AnalyticsAnalysis of Diversification Techniques Information Retrieval Recommender Systems [Carb98] [Agra09] [Sant10] [Zhen12] [Smyt01] [Zieg05] [Varg12] [Adom09] Type of Solution Greedy Optimization - Explicit Approach - Implicit Approach - Trade-off diversity vs. relevance Control of diversity vs. relevance trade-off ? ? Trade-off exploitation vs. exploration Encourages Discovery ? ? ? ? Control of exploitation vs. exploration trade-off - 13
- 14. Centre for Data Analytics Information Retrieval Recommender Systems [Carb98] [Agra09] [Sant10] [Zhen12] [Smyt01] [Zieg05] [Varg12] [Adom09] Type of Solution Greedy Optimization - Explicit Approach - Implicit Approach - Trade-off diversity vs. relevance Control of diversity vs. relevance trade-off ? ? Trade-off exploitation vs. exploration Encourages Discovery ? - - - ? ? - ? Control of exploitation vs. exploration trade-off - - - - - Analysis of Diversification Techniques 14 Control of diversity vs. relevance trade-off
- 15. Centre for Data AnalyticsAnalysis of Diversification Techniques Information Retrieval Recommender Systems [Carb98] [Agra09] [Sant10] [Zhen12] [Smyt01] [Zieg05] [Varg12] [Adom09] Type of Solution Greedy Optimization + + + + + + + - Explicit Approach - + + + - - + - Implicit Approach + - - - + + - - Trade-off diversity vs. relevance Control of diversity vs. relevance trade-off + - + + + + ? ? Trade-off exploitation vs. exploration Encourages Discovery ? ? ? - ? Control of exploitation vs. exploration trade-off - 15 Control of Exploitation vs. Exploration trade-off Encourages Discovery Current solutions are mostly inspired by work in Information Retrieval
- 16. Centre for Data Analytics XPLODIV Diversification Approach Conclusion and Future Work Experimental Validation Literature Review 16 Introduction Agenda
- 17. Centre for Data Analytics Traditional Recommendation Algorithm Candidate Items Final Diversified Recommendation List User Profiles Item Profiles XPLODIV: Exploitation-Exploration Diversification Technique Diversification Technique XPLODIV We formulate our approach as a: • Post-Filtering Technique • Greedy optimization problem 17
- 18. Centre for Data Analytics XPLODIV 𝑖, 𝕌, ℝ = 𝛼 ∙ 𝑟𝑒𝑙 𝑖 + 1 − 𝛼 ∙ 𝑑𝑖𝑣 𝑖, ℝ ∙ 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑖𝑡(𝑖, 𝕌) + 1 − 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑟𝑒 𝑖, 𝕌 XPLODIV has four core dimensions: Relevance 𝑟𝑒𝑙 𝑖 Diversity 𝑑𝑖𝑣 𝑖, ℝ Exploitation 𝑥𝑝𝑙𝑜𝑖𝑡 𝑖, 𝕌 Exploration 𝑥𝑝𝑙𝑜𝑟𝑒 𝑖, 𝕌 • Each dimension must be normalized to return a value in the range [0,1]. • 1 is the highest desirable value. 18 XPLODIV
- 19. Centre for Data Analytics XPLODIV 𝑖, 𝕌, ℝ = 𝛼 ∙ 𝑟𝑒𝑙 𝑖 + 1 − 𝛼 ∙ 𝑑𝑖𝑣 𝑖, ℝ ∙ 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑖𝑡(𝑖, 𝕌) + 1 − 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑟𝑒 𝑖, 𝕌 The approach has two control parameters: • The parameter 𝜶 controls the trade-off between relevance and diversity. • The parameter 𝜷 controls the trade-off between exploitation and exploration. 19 XPLODIV
- 20. Centre for Data Analytics The relevance dimension gives priority to items that have high predicted rating. How relevant is the item we are evaluating? 20 XPLODIV: Relevance Dimension Normalized Predicted Rating
- 21. Centre for Data Analytics Average pairwise dissimilarity of an element i to a set ℝ Minimum distance of an element i to a set ℝ How distant is the item being evaluated from those previously selected? 21 XPLODIV: Diversity Dimension The diversity dimension measures how diverse an item i is in relation to a set of items ℝ.
- 22. Centre for Data Analytics The exploitation dimension gives priority to items that exploit known user preference information. Probability of high rating of similar items How representative is the item being evaluated of items found in the user profile? 22 XPLODIV: Exploitation Dimension
- 23. Centre for Data Analytics Diversity of item i to user profile 𝕌 Average pairwise dissimilarity Minimum dissimilarity How novel is the item being evaluated for the user? 23 XPLODIV: Exploration Dimension The exploration dimension gives priority to items that allow the user to discover and explore the unknown.
- 24. Centre for Data Analytics 24 XPLODIV 𝜶 XPLODIV 𝑖, 𝕌, ℝ = 𝛼 ∙ 𝑟𝑒𝑙 𝑖 + 1 − 𝛼 ∙ 𝑑𝑖𝑣 𝑖, ℝ ∙ 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑖𝑡(𝑖, 𝕌) + 1 − 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑟𝑒 𝑖, 𝕌 𝜷
- 25. Centre for Data Analytics XPLODIV RELEVANCE DIVERSITY EXPLOITATION EXPLORATION Average Dissimilarity Minimum Dissimilarity Dimension Instantiation Alternatives Importance of Associated Preference KNN Importance of Associated Preference User Profile Novelty Neighborhood Novelty 25 XPLODIV 𝑖, 𝕌, ℝ = 𝛼 ∙ 𝑟𝑒𝑙 𝑖 + 1 − 𝛼 ∙ 𝑑𝑖𝑣 𝑖, ℝ ∙ 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑖𝑡(𝑖, 𝕌) + 1 − 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑟𝑒 𝑖, 𝕌 Normalized Predicted Rating
- 26. Centre for Data Analytics Introduction XPLODIV Diversification Approach Conclusion and Future Work Experimental Validation Literature Review 26 Agenda
- 27. Centre for Data Analytics Experimental Validation Claim I XPLODIV can be tuned towards different configurations of relevance, diversity, exploitation and exploration. Claim II XPLODIV produces results comparable to baseline techniques in terms of relevance and diversity. 27
- 28. Centre for Data Analytics • 100,000 ratings • 943 users • 1682 movies Dataset Quantitative Tests 28 Experimental Set-Up
- 29. Centre for Data Analytics Baselines 29 Experimental Set-Up • No Diversity: returns the top k of candidate items. • Random Diversity: returns a random selection of k items from candidate items. • Maximal Marginal Relevance (MMR) with α=0.5 : returns k items selected with the technique MMR. • Representative of implicit diversification approaches. • Proposed by Carbonell et al. 1998. • Has served as foundation for many related more recent approaches. Quantitative Tests
- 30. Centre for Data Analytics XPLODIV RELEVANCE DIVERSITY EXPLOITATION EXPLORATION Average Dissimilarity Minimum Dissimilarity Dimension Instantiation Alternatives Importance of Associated Preference KNN Importance of Associated Preference User Profile Novelty Neighborhood Novelty 30 XPLODIV 𝑖, 𝕌, ℝ = 𝛼 ∙ 𝑟𝑒𝑙 𝑖 + 1 − 𝛼 ∙ 𝑑𝑖𝑣 𝑖, ℝ ∙ 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑖𝑡(𝑖, 𝕌) + 1 − 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑟𝑒 𝑖, 𝕌 Normalized Predicted Rating
- 31. Centre for Data Analytics XPLODIV RELEVANCE DIVERSITY EXPLOITATION EXPLORATION Average Dissimilarity Minimum Dissimilarity Dimension Instantiation Alternatives Importance of Associated Preference KNN Importance of Associated Preference User Profile Novelty Neighborhood Novelty 31 XPLODIV 𝑖, 𝕌, ℝ = 𝛼 ∙ 𝑟𝑒𝑙 𝑖 + 1 − 𝛼 ∙ 𝑑𝑖𝑣 𝑖, ℝ ∙ 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑖𝑡(𝑖, 𝕌) + 1 − 𝛽 ∙ 𝑥𝑝𝑙𝑜𝑟𝑒 𝑖, 𝕌 Normalized Predicted Rating
- 32. Centre for Data Analytics No Bias • 𝛼 = 0.5, 𝛽 = 0.5. Relevance Bias • 𝛼 = 0.8, 𝛽 = 0.5. Exploitation Bias • 𝛼 = 0.2, 𝛽 = 0.7. Exploration Bias • 𝛼 = 0.2, 𝛽 = 0.3. Pure Exploitation • 𝛼 = 0.0, 𝛽 = 1.0. Pure Exploration • 𝛼 = 0.0, 𝛽 = 0.0. XPLODIV Test Cases 32 Experimental Set-Up Exploitation Bias Exploration Bias 𝜷 1.0 0.0 Relevance Bias Diversity Bias 𝜶 1.0 0.0
- 33. 33 Candidate Items Final Diversified Recommendation List User Profiles Item Profiles Recommendation Algorithm User-User Collaborative Filtering Apache Mahout Size 100 Matrix User - Movie Matrix Movie - Genre Traditional Recommendation Algorithm Jaccard similarity coefficient to measure similarity between Movie Items Prototype
- 34. Centre for Data Analytics Metrics DIVERSITY RELEVANCE Exploration Perspectives Pairwise Intra-list Dissimilarity nDCG Dissimilarity Threshold Percentage Metrics User Profile ExploitationExploitation 34 How well each item from the User Profile is represented by the set of selected items? How different are selected items from each other? How relevant are selected items considering their rank position? What is the percentage of novel items in the set of selected items?
- 35. 3535 Tendency Graph 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 No Diversity Random Diversity MMR XploDiv No Bias XploDiv Relevance Bias XploDiv Pure Exploitation XploDiv Exploitation Bias XploDiv Pure Exploration XploDiv Exploration Bias Relevance Diversity Exploitation Exploration
- 36. 3636 -3.86% -0.57% -14.56% -7.10% -13.24% -9.33% -14.19% -7.30% 137.52% 27.23% 4.78% 7.67%3.07% -0.75% 19.33% -8.17% -31.28% -27.82% 82.80% 33.25% -97.61% 37.83% 113.65% 98.86% -100% -75% -50% -25% 0% 25% 50% 75% 100% 125% 150% MMR XploDiv RelevanceBias XploDiv PureExploitation XploDiv ExploitationBias XploDiv PureExploration XploDiv ExplorationBias Relevance Diversity Exploitation Exploration Loss-Gain Graph relative to “No Diversity” Loss/GainPercentage
- 37. 37 Our solution: • Generates results comparable to baseline and state-of-the-art techniques. • Can be tuned towards more explorative or exploitative recommendations. Claim I Claim II Summary
- 38. Centre for Data Analytics Introduction XPLODIV Diversification Approach Conclusion and Future Work Experimental Validation Literature Review 38 Agenda
- 39. Centre for Data Analytics Conclusion 39 Contributions: 1. Analytical comparison of related work. 2. Exploitation-Exploration Diversification Technique XPLODIV. • Generates comparable results to baseline and state-of-the-art techniques. • Explicitly considers the factor of exploration. • Can be tuned to offer "exploitative diversity" or "explorative diversity" with controlled sacrifice over relevance.
- 40. Centre for Data Analytics Future Work • Dynamically learn values for the control parameters 𝛼 and 𝛽 to adapt XPLODIV to different user profile and dataset characteristics. • The use of XPLODIV as an aggregation strategy for results generated by different recommendation algorithms (Hybrid Recommendation Systems). • Design diversification strategies, based on XPLODIV, to enhance a Traditional Recommendation algorithm. • Example. Adapt XPLODIV to select a diverse set of neighbors in a Collaborative Filtering Recommendation System. 40
- 41. 41 Acknowledgements: This research was made possible by funding from Science Foundation Ireland under grant number SFI/12/RC/2289 (Insight) and by the Master's Program of the Computer Science Department at the Pontificia Universidad Javeriana, Bogotá.
Notas del editor
- NETFLIX - http://techblog.netflix.com/2012/04/netflix-recommendations-beyond-5-stars.html LINKEDIN- http://es.slideshare.net/anmolbhasin/beyond-ratings-andfollowers-recsys-2012 AMAZON - http://glinden.blogspot.ie/2006/12/35-of-sales-from-recommendations.html TODO – Agregar la referencia de las citas Recommendation Systems are tools that help users find products they might like Products that the user might not have been looking In other words, recommenders help users discover new interesting products specially in a situation of information overload ----------------------------------------------------------- Antes de introducir el problema de diversificación en Sist. De Reco Es importante definir brevemente que son los Sistemas de Reco Los Sist. De Reco son herramientas que ofrecen sugerencias proactivas Estas sugerencias tienden a ser de productos que el usuario desconoce y no encontraría por su cuenta Incentivando asi al usuario a descubrir nuevos productos e intereses Estos sistemas se han convertido en herramientas importantes en e-commerce Por ejemplo Amazon indica que 35% de sus ventas provienen de alguna recomendación
- In a conventional recsys, a rating score is used to represent “how relevant an item is for a user” However, rating information is incomplete, and the recommendation system problem is then to estimate the unknown ratings After this, the system offers as recommedations ítems that have the highest predicted rating, or that would be the most relevant for the user --------------------------------------------- En un sistema de reco tradicional Los usuarios le colocan un puntaje o rating a productos el cual indica qué tanto el gusta el producto al usuario Estos puntajes se guardan en la matriz usuario-producto No obstante, es improbable q un usuario le coloque ratings a todos los productos posibles y el problema de recomendación Es estimar los ratings que los usuarios le colocarían a productos que no han evaluado Los distintos tipos de sistemas de recomendación difieren en la forma de estimar ratings
- There is a trade-off between selecting ítems of a higher relevance and obtaining diverse results ----------------------------------------------- Mejorar Presentar Recommender System primero y q soluciona cosas para info overload y eso Usar la palabra relevance en vez de quality The Conventional view is that there is a TRADE-OFF between relevance and diversity ----------------------------------------------- El problema de la diversificación consiste en seleccionar un subconjunto de elementos diversos de un conjunto de mayor tamaño El problema consiste en que existe un trade-off entre diversidad y calidad Es decir, al aumentar la diversidad general disminuye la calidad del conjunto A continuación ofreceremos un ejemplo en el ambiente de Sistemas de Recuperación de Información
- Con un Sistema de Recuperación de Información sin diversificación Se ordenan los resultados por orden de relevancia y se obtendría una lista de resultados donde los primeros elementos son de Java Lenguaje de Programación Pero : ¿Qué sucede si el usuario no se encuentra buscando Lenguaje de Programación Java?
- Dado que no se conocen las verdaderas intenciones del usuario Una solución es agregar diversidad a los resultados, a pesar de que se sacrifique relevancia
- In this manner, we can add diversity by offering … Que quede super clear que estamos introduciendo something new que es EXPLORATION Que exploration esta ligado con novelty q se define con diversity Resaltarlo bastante q sea un Strong Point Novelty can be adequately measured by diversity La definición conventional de diversity in recos hace solo exploitation … la queremos aumentar para agregar exploration La razón para tomar en cuenta diversidad en sistemas de reco es parecida a la de sistemas de recuperación de info También se desea eliminar la redundancia de los resultados Además la información asociada a las preferencias de los usuarios es incompleta Y con el propósito de responder a esta ambigüedad con diversidad se buscaría cubrir la variedad de los gustos del usuario No obstante, los sistemas de recomendación tienen un factor adicional importante y es ofrecerle al usuario productos novedosos Estos productos son los que le van a permitir al usuario descubrir y este es un factor fundamental Por estos motivos en sistemas de reco no solo se desea Explotar la información que tenemos dentro del perfil del usuario Pero también se desea ofrecer productos novedosos que le permitan al usuario explorar
- Adding diversity by exploiting the user profile or adding diversity by exploring new products…
- Idea de los puntos verdes y rojos Mostrar esto por partes y las conclusiones de cada parte Agregar las convenciones en la diapositiva Que sea binario según conor … yo creo q los circulos verdes y rojos puede ser Realmente resaltar que ninguno hace lo de abajo Relacionar más esta con la 12 En cuanto a las técnicas de diversificación Definimos un conjunto de criterios para comparar las técnicas El primer conjunto ayuda a entender el tipo de solución ofrecida El segundo conjunto analiza el trade-off entre diversidad vs relevancia En tercer lugar se analiza el trade-off entre explotación y exploración Y finalmente se explora la forma en qué se están comparando los elementos
- Idea de los puntos verdes y rojos Mostrar esto por partes y las conclusiones de cada parte Agregar las convenciones en la diapositiva Que sea binario según conor … yo creo q los circulos verdes y rojos puede ser Realmente resaltar que ninguno hace lo de abajo Relacionar más esta con la 12 En cuanto a las técnicas de diversificación Definimos un conjunto de criterios para comparar las técnicas El primer conjunto ayuda a entender el tipo de solución ofrecida El segundo conjunto analiza el trade-off entre diversidad vs relevancia En tercer lugar se analiza el trade-off entre explotación y exploración Y finalmente se explora la forma en qué se están comparando los elementos
- Idea de los puntos verdes y rojos Mostrar esto por partes y las conclusiones de cada parte Agregar las convenciones en la diapositiva Que sea binario según conor … yo creo q los circulos verdes y rojos puede ser Realmente resaltar que ninguno hace lo de abajo Relacionar más esta con la 12 En cuanto a las técnicas de diversificación Definimos un conjunto de criterios para comparar las técnicas El primer conjunto ayuda a entender el tipo de solución ofrecida El segundo conjunto analiza el trade-off entre diversidad vs relevancia En tercer lugar se analiza el trade-off entre explotación y exploración Y finalmente se explora la forma en qué se están comparando los elementos
- Como solución proponemos la técnica de diversificación XploDiv Esta es una técnica postfiltrado basada en un algoritmo voraz
- Decir que cada una se va explicar en detalle más adelante
- I’m using a fairly standard diversity and relevance metrics so i will focus more on the explanation of how we measure exploitation and exploration La relevancia se encuentra relacionada con el rating estimado por el algoritmo de recomendación Alto predicted rating alta relevancia
- Con la dimensión de diversidad se desea verificar la diversidad que el producto que estamos evaluando Le aportaría a R Esta medida se encuentra relacionada con la distancia del producto con respecto al conjunto de productos seleccionados previamente Respondiendo a la pregunta: Qué tan distante es el producto que estamos evaluando con respecto a los previamente seleccionados
- La dimensión de explotación busca darle mayor puntaje a los productos que se encuentran relacionados con el perfil del usuario Para lograrlo definimos como medida la Probabilidad de que productos dentro del perfil del usuario que son parecidos al producto que Se esta evaluando… tengan un rating alto Para más aclaración se pueden referir al documento de la memoria o lo podemos hacer en la sesión de preguntas
- Exploración es lo opuesto a explotación Se desea dar prioridad a productos que se encuentren lejanos del perfil del usuario los cuales son los productos novedosos
- Cuidado con la palabra hypothesis Cuidado con los colores Implícita o Explicita
- Implícita o Explicita
- Implícita o Explicita
- Mejorar resultados más detallados se pueden observar en el documento de las memorias
- Implícita o Explicita
- Implícita o Explicita
- How the perspectives interact with each other
- - All XploDiv approaches had a relevance
- Our technique is an improvement over current work, because in addition to providing comparable results, it can be tuned towards more diverse explorative results or more diverse exploitative results. Para lograrlo… En primer lugar llevamos a cabo una revisión bibliográfica La cual obtuvo como resultado una comparación analítica de trabajos relacionados Hasta donde sabemos una comparación similar con criterios no se encuentra en la literatura Considerando la revisión bibliografica se define una técnica novedosa de diversificación denominada XploDiv Para validar dicha técnica se desarrollo un prototipo funcional y Se define un Framework para Evaluar Sist. De Reo que permite evaluar resultados desde distintas perspectivas Contribuciones más importantes: Exploitation Exploration diversification technique denominada XploDiv Toma en cuenta el factor de exploración. Se puede ajustar para ofrecer resultados con “diversidad explotativa” o “diversidad explorativa”. Diversity-Aware Evaluation Framework for Recommender Systems Identifica y organiza métricas para evaluar diversidad en Sistemas de Recomendación. Define nuevas métricas para evaluar explotación y exploración. Comparación Analítica de Trabajos Relacionados Resalta ventajas y desventajas de trabajos relacionados.
- Lo de aggregation technique mejor traducir como lo puso angela … that takes results from different recos and selects o algo Para lograrlo… En primer lugar llevamos a cabo una revisión bibliográfica La cual obtuvo como resultado una comparación analítica de trabajos relacionados Hasta donde sabemos una comparación similar con criterios no se encuentra en la literatura Considerando la revisión bibliografica se define una técnica novedosa de diversificación denominada XploDiv Para validar dicha técnica se desarrollo un prototipo funcional y Se define un Framework para Evaluar Sist. De Reo que permite evaluar resultados desde distintas perspectivas Contribuciones más importantes: Exploitation Exploration diversification technique denominada XploDiv Toma en cuenta el factor de exploración. Se puede ajustar para ofrecer resultados con “diversidad explotativa” o “diversidad explorativa”. Diversity-Aware Evaluation Framework for Recommender Systems Identifica y organiza métricas para evaluar diversidad en Sistemas de Recomendación. Define nuevas métricas para evaluar explotación y exploración. Comparación Analítica de Trabajos Relacionados Resalta ventajas y desventajas de trabajos relacionados.
- En sintensis Al estudiar las técnicas de diversificación Se observa que existen dos formas de agregar diversidad a Sist. De Reco Un sist. Tradcional. Recibe como entrada un perfil de usuario y perfil de productos y estima los ratings desconocidos de un usuario Después Con una técnica de post-filtrdo o de ranking se organizan los resultados de acuerdo a la relevancia La diversidad se puede agregar para enriquecer un algoritmo de recomendación o para enriquecer la técnica de postfiltrado No obstante de los trabajos estudiados se resalta que ninguno considera explícitamente el factor de explotación Esto se debe a que la mayoría de trabajos para sistemas de reco son inspirados de sist. de recu de info donde ofrecer Novedad no es un factor importante A pesar de, en Sistemas de Reco la novedad es un factor fundamental
- Solo decir que especificamente nosotros decidimos enfocarnos en un postfiltering approach Resaltamos que en trabajos relacionados observamos q las técnicas para enriquecer un sist. Tradicional de reco Tienden a ser adaptaciones de técnicas de postfiltering por estos motivos Nos parece importante enfocarnos en técnicas de postfiltering que se pueden extender con mayor facilidad
- Implícita o Explicita
- Para definir el umbral tao visualizamos la distribución de distancias de los resultados con respecto al perfil del usuario en un histograma Se observan dos tipos de resultados que son los de explotación pura y los de exploración pura Se resalta que en los resultados de exploración pura se observa que existe una alta frecuencia de resultados que se encuentran muy cercanos a 1 Del diagrama concluimos que la distancia 0.9 es un buen umbral para diferenciar productos explorativos de explotativos
- Implícita o Explicita
- Implícita o Explicita
- No tener la ecuación todavia si decides agregar esta diapositiva En la aprox voraz se tiene …