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.
OECD bibliometric indicators: Selected highlights, April 2024
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.
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
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?
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 …