Sistemas Híbridos de Recomendación. IIC3633 RecSys 2do semestre de Sep=embre Denis Parra

Transcripción

1 Sistemas Híbridos de Recomendación IIC3633 RecSys 2do semestre de Sep=embre Denis Parra

2 Resumen Mo=vacion Clasificación General Modelos de Hibridización Ejemplos

3 Mo=vación Diferentes métodos =enen gran dis=ntas debilidades y fortalezas Filtrado Colabora=vo es preciso, pero sufre de sparsity, cold start y new item problem Filtrado Basado en contenido no sufre tanto por sparsity, pero sí por new user, facilidad para extraer features del contenido y sobre especialización Knowledge- based: No los hemos visto hasta ahora. Casos Wpicos son Constrait- Based y Case- Based. Basados en un paradigma más interac=vo, también los llaman Conversa=onal (Burke, 2002).

4 Burke 2002

5 Sistema Recomendador Caja Negra Figura sacado de Jannach et al. 2012

6 De Adomavicius et al Formas de combinar CF y CB: 1. Implementar métodos CF y CB separadamente y combinar las prediccion 2. Incorporar caracterís=cas de métodos CB dentro de un método CF 3. Incorporar caracterís=cas colabora=vas dentro de modelo CB 4. Construir un modelo que de manera unificada incorpore caracterís=cas basadas en contenido y colabora=vas

7 Cómo combinar los métodos? Burke (2002) dis=ngue 7 estrategias de hibridización Jannach (2012) resume las 7 estrategias en 3 diseños generales Monolí=co Paralelizado Pipeline

8 7 Estrategias de Hibridización, Burke 2002

9 7 Estrategias de Hibridizacion Parallel

10 7 Estrategias de Hibridizacion Monoli=c Monoli=c

11 7 Estrategias de Hibridizacion Pipeline Pipeline

12 Diseño Híbrido Monolí=co Estrategias de Combinación: Feature Combina=on Feature Augmenta=on

13 Híbrido: Feature Combina=on

14 Híbrido: Feature Combina=on II

15 Híbrido: Feature Augmenta=on

16 Híbrido: Feature Augmenta=on Usar estas features en un nuevo recomendador

17 Diseño Híbrido Paralelizado Estrategias de Combinación: Weighted Mixed Sw=ching

18 Híbrido Paralelo: Weighted Item recomendado i Score combinado del item i Score del item I por el recomendador S j Peso del recomendador S j

19 Caso de Estudio: SL Item Recommender

20 Resultados de Dis=ntas Features

21 Híbrido Paralelo: Mixed Slider weight M: The set of all methods available to fuse rank reci,mj : rank posi=on in the list of a recommended item rec i : recommended item i m j, : recommenda=on method j W mj : weight given by the user to the method m j using the controllable interface M reci represents the number of methods by which item rec i was recommended 7/22/2013 D.Parra ~ PhD. Disserta=on Defense 21

22 Caso de Estudio: SetFusion 02/27/2014 D.Parra et al.~ IUI

23 Our Proposed Interface - II Traditional Ranked List Papers sorted by Relevance. It combines 3 recommendation approaches. 02/27/2014 D.Parra et al.~ IUI

24 Our Proposed Interface - III Sliders Allow the user to control the importance of each data source or recommendation method Interactive Venn Diagram Allows the user to inspect and to filter papers recommended. Actions available: - Filter item list by clicking on an area - Highlight a paper by mouse-over on a circle - Scroll to paper by clicking on a circle - Indicate bookmarked papers 02/27/2014 D.Parra et al.~ IUI

25 Híbrido Paralelo: Switching De un grupo de recomendadores, ac=var un recomendador a la vez Podría ser especialmente ú=l considerando el learning rate de alguno métodos Ejemplo: Elegir entre un clasificador Bayesiano y un recomendador Item- based como en: Ghazanfar, M., & Prugel- Bennep, A. (2010). An Improved Switching Hybrid Recommender System Using Naive Bayes Classifier and Collabora=ve Filtering.

26 Switching: DF y alfa (Prob)

27 Diseño Híbrido Pipeline Estrategias de Combinación: Cascade Feature Augmenta=on

28 Híbrido Cascade El más sencillo: usar los resultados de un recomendador y refinarlos con un segundo recomendador CF CB

29 Referencias Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User modeling and user- adapted interac=on, 12(4), Adomavicius, G., & Tuzhilin, A. (2005). Toward the next genera=on of recommender systems: A survey of the state- of- the- art and possible extensions. Knowledge and Data Engineering, IEEE Transac=ons on, 17(6), Burke, R. (2007). Hybrid web recommender systems. In The adap=ve web (pp ). Springer Berlin Heidelberg. Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: an introduc=on. Cambridge University Press. Chicago