Capítulo 2: Estado del arte de los sistemas de recomendación, como es el proceso de recomendar un ítem y que enfoques hay para realizar sistemas de recomendación automatizados.

1. Estado del Arte: Sistemas de
Recomendación
Ignacio Salas Donoso
Ing. Civil Informática, UTFSM

2. Temario
Haciendo Recomendaciones
Tipos de Sistemas de Recomendación
Retos y Oportunidades para los
Sistemas de Recomendación
Resumen

3. Haciendo Recomendaciones
Modelo del proceso de recomendación
Puede ser tanto una
persona, como un
sistema automatizado

4. Haciendo Recomendaciones
Convierte buscadores en
compradores
Sistema de
Recomendación ítem
Aumentan las ventas cruzadas
Construyen lealtad y credibilidad

5. Haciendo Recomendaciones
¿Cómo las
recomendaciones son ¿Cómo se presenta la
realizadas? información?
Salida
Sistema de
Recomendación
Entradas de la
Comunidad Entradas del usuario
Objetivo
¿Las personas juegan
distintos roles o todos los
usuarios del sistema juegan ¿Qué preferencias se usan?
el mismo rol?

6. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Muchas personas deben participar,
para tener más posibilidades de
encontrar usuarios similares
Debe haber una forma sencilla de
representar los interese de los
usuarios en el sistema
Los algoritmos deben permitir
encontrar personas con intereses
similares

7. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
1. Asignar un peso a todos los
0.1 usuarios con respecto a la similitud
0.2
con el usuario activo.
0.8
0.7
2. Seleccionar los k usuarios más
parecidos al usuario activo
0.9
1.0
3. Calcular una predicción desde
0.1
una combinación ponderada de los
puntajes de la vecindad
0.7 0.8 0.9 1.0

8. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Coeficiente de correlación de Pearson
Coseno entre los vectores de
puntajes de ambos usuarios
Coeficiente de correlación de con
voto por defecto
Frecuencia inversa del usuario
Caso de amplificación

9. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Coeficiente de correlación de Pearson
Voto del Voto
usuario a por promedio del
el ítem i usuario a
1

10. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Coseno entre los vectores de
puntajes de ambos usuarios
2

11. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Coeficiente de correlación de con
voto por defecto
Modulo de la unión Una cantidad de
de los ítems ítems que los dos
evaluados por los usuarios aún no han Voto por defeco
usuarios a y u evaluado
3

12. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Frecuencia inversa del usuario
4
La cantidad de
usuarios que han
votado por j

13. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Caso de amplificación
índice que enfatiza los pesos
cercanos a uno y castiga los
pesos pequeños
5

14. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Una forma de estimar el voto del usuario objetivo es la siguiente
Desviación
ponderada de
Voto promedio los votos de la
del usuario vecindad
objetivo
6
Factor de normalización de la
medida de similitud

15. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
El filtrado colaborativo puede ser visto como el cálculo del voto
esperado dado un usuario conocido
7 0.1
0.1
0.2
0.2
0.4

16. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Pros
La principal fortaleza de este enfoque , son las recomendaciones
personalizadas
Serendipia
El usuario puede encontrar ítems que no sabía que
existían
Contras
Alto esparcimiento de los datos
El problema del primer voto

17. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Basado en Redes Inmunes
Se buscan anticuerpos (usuarios)
con aciertos cercanos
Anticuerpos
Antígeno
La predicción se hace usando la formula (6) con
Concentración
del anticuerpo v

18. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Con algoritmo genético (GA)
Ponderación de las 22
características del producto Calculado con GA
A
para el usuario objetivo
Preferencia Se calcula el fitness de cada
de dos
Distancia producto
usuarios por
Euclideana
el mismo
producto Voto estimado – Voto real
El Fitness del usuario es el
A
promedio de los fitness de los
productos

19. Tipos de Sistemas de Recomendación
Sistemas de Filtrado Colaborativo
Impulsado por Contenido
Se estima con un clasificador el
Sistema Basado en puntaje del ítem no evaluado
contenido
Matriz de pseudo
puntajes
Ponderación Híbrida
Sistema de filtrado
Factor de colaborativo Puntaje
Autoponderación

20. Tipos de Sistemas de Recomendación
Sistemas de Recomendación Basados en Contenido
LIBRA (Learning Intelligent Book Recommending Agent)
Probabilidad de ser evaluado de
Le agrada
forma positiva o negativa
Dado un conjunto de
características del libro
Le desagrada Dada la presencia de
alguna palabra

21. Tipos de Sistemas de Recomendación
Sistemas de Recomendación Basados en Contenido
Híbrido entre el enfoque basado en contenido y el filtrado
colaborativo
La similitud entre objetos,
0.3 Atributo 1 es la diferencia de sus
Atributo 2 atributos, ponderada por
0.01
… el usuario
0.2 Atributo N
Cada usuario
pondera de forma
diferente los
atributos de un
ítem

22. Tipos de Sistemas de Recomendación
Sistemas de Minería de Datos Social
El camino a través del bosque
Explotan las preferencias del usuario implícitas en registros de
actividades existentes en el sistema
Kleinberg: autoridades y hubs
TopicShop: reunión, evaluación y organización de colecciones de
sitios web

23. Retos y Oportunidades para los
Sistemas de Recomendación
Escalabilidad y rendimiento en tiempo real
Incorporando datos enriquecidos
Recomendaciones centradas en el consumidor
Conectar a los recomendadores con los vendedores
Evitar Fraudes
Privacidad

24. Resumen
El objetivo fundamental de un sistema de recomendación es
proponer uno o más ítems para un usuario
Desde la perspectiva del comercio electrónico es relevante que
los visitantes se queden en el sitio
Los sistemas basados en filtrado colaborativo, buscan a las
personas con intereses similares a los del usuario objetivo
Los sistemas basados en contenido proveen recomendaciones por
medio de comparar representaciones de contenidos describiendo
a un ítem de interés
Los sistemas de minería de datos social analizan el historial de
navegación de los usuarios de un sistema