2. Temario
• Generación de Perfiles
• Selección de la Vecindad
• Generación de las Recomendaciones
• Entrenamiento del sistema de recomendación
• Conclusión
2
3. Generación de Perfiles
Se busca reconocer y separar los datos de los usuarios, en un
formato que el sistema pueda utilizar.
BD Book
Crossing
ISBN ISBN
Usuarios
ID U1 • Voto 1
…
• Voto n
Votos … … … …
ISBN ISBN
Libros ID Um • Voto 1
…
• Voto n
3
4. Selección de la vecindad
Se eligen aleatoriamente una cantidad
de usuarios para componer la vecindad
Se ocupan todos para el proceso
posterior, sin importar que la distancia
con el usuario objetivo sea muy
pequeña
Con esto se busca permitir un mayor
grado de diversidad
5. Generación de las Recomendaciones
Función de estimación del voto de Breese
Experiencia
Voto
personal del Experiencia de la Vecindad
estimado
Usuario
6. Generación de las Recomendaciones
Función de estimación del voto de Breese
Desviación
ponderada de
Voto promedio los votos de la
del usuario vecindad
objetivo
Medida de
similitud entre
Factor de normalización de la los usuarios
medida de similitud
7. Generación de las Recomendaciones
Nueva función de estimación del voto
Experiencia personal del Usuario
Desviación
Promedio de
Voto Estándar de Experiencia de la
votos del
estimado los votos del Vecindad
usuario
Usuario
8. Generación de las Recomendaciones
Nueva función de estimación del voto
Desviación
Desviación
Voto promedio ponderada de
Estándar del
del usuario los votos de la
usuario
objetivo vecindad
objetivo
y son factores
que ponderan la
desviación estándar,
como la desviación
ponderada de la
vecindad
Factor de normalización de la Medida de
medida de similitud similitud entre
los usuarios
9. Entrenamiento del Sistema de
Recomendaciones
Función de relación entre usuarios
Coeficiente de correlación de Pearson
Voto del Voto
usuario a por promedio del
el ítem i usuario a
10. Entrenamiento del Sistema de
Recomendaciones
Algoritmo PSO
Dinámica de partículas
Velocidad Velocidad Experiencia Experiencia
Nueva Actual personal grupal
Posición Velocidad Posición
Nueva Nueva Actual
Vector de 2 dimensiones,
que contiene los valores
de k0 y k1
11. Entrenamiento del Sistema de
Recomendaciones
Algoritmo PSO
Ítems evaluados por
Dinámica de partículas el usuario objetivo
Experiencia
personal Grupo de
Entrenamiento
El pBest es calculado con la
información del grupo de
entrenamiento
Grupo de Validación
Experiencia
grupal
Grupo de Prueba
El gBest es calculado con la
información del grupo de validación
12. Entrenamiento del Sistema de
Recomendaciones
Algoritmo PSO
Fitness
Fitness Voto
Voto real
parcial estimado
Fitness Cantidad de
Fitness
parcial ítems
13. Entrenamiento del Sistema de
Recomendaciones
Algoritmo PSO
Para cada usuario
Mientras no se alcance la cantidad de iteraciones
Para cada partícula
Actualizar posición y velocidad
Calcular pBest
Calcular gBest partícula
Almacenar factores k0 y k1 para el usuario, obtenidos
del gBest
14. Conclusión
Al momento de seleccionar la vecindad se aceptó que hubiesen
usuarios con poca correlación, con el fin de agregar algo de
diversidad
Agregar la desviación estándar a la función de Breese, busca dar
un soporte cuando no haya una vecindad que aporte suficiente
información
Para establecer que tipo de información influye más para cada
usuario, se incluyeron los factores k0 y k1
Los factores k0 y k1 fueron ajustados con el algoritmo PSO,
siendo la posición de cada partícula los valores que minimizan el
Fitness
14