slides.pdf

Transcript

1. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Системы коллаборативной фильтрации контента, основные понятия и идеи В. Шляга, vshlyaga@acm.org Кафедра медиасистем и технологий МГУП им. Ивана Федорова Конференция молодых преподавателей и аспирантов 2012 Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
2. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Содержание доклада Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
3. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Коллаборативная фильтрация Помогает искать информацию, о которой пользователь даже не знает. Позволяет давать автоматические индивидуальные прогнозы, основанные на предпочтениях пользователя. Использует коллективный разум для прогнозирования интересов пользователя. Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
4. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Коллаборативная фильтрация Постановка задачи P = {p1, p2, . . . , pnp } набор пользователей. Q = {q1, q2, . . . , qnq } набор объектов системы. φ : P × Q → R+ ∪ { } рейтинги, проставленные пользователями объектам. T = {t1, t2, . . . , tpt } рейтинги пользователя pt, проставленные некоторым объектам. Задача: Получить φ(pt, qt), где qt ∈ (Q \ T). Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
5. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Коллаборативная фильтрация Существующие подходы Item–based системы Работают только с пользователями и их рейтингами. Системы, использующие принцип доверия Кроме рейтингов, используют односторонние оценки пользователей, явно данные ими другим пользователям. Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
6. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Схожесть пользователей Метрики Евклидово расстояние lpq = n i=1 (pi − qi )2 (1) Коэффициент корреляции Пирсона lpq = n i=1 (pi − ¯ p)(qi − ¯ q) n i=1 (pi − ¯ p)2 n i=1 (qi − ¯ q)2 (2) Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
7. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Схожесть пользователей Выработка рекомендации Предсказанная оценка пользователя взвешенное среднее: ¯ rw = n i=1 li ri n i=1 li (3) Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
8. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Схожесть пользователей Разложение на компоненты Рассматриваются не отдельные оценки, а ит отражение в пространство с меньшим количеством измерений. Каждое измерение становится компонентом вектора, представляющего пользователя. Компоненты можно воспринимать, например, как жанры фильмов. В результате от анализа отдельных фильмов происходит переход к более высокоуровнему анализу предпочтений пользователей. Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
9. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Схожесть пользователей Разложение на компоненты Сингулярное матричное разложение (SVD) R = PΣQT (4) Отражение в пространство меньшей размерности min P,Q L = min 1 2 R − PQT 2 F + λ 2 ( P 2 F + Q 2 F ) (5) Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
10. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
11. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Новые факторы для оценки Кроме параметра схожесть пользователей, можно ввести параметр близость пользователей в рамках социального графа. Позволит учитывать окружение пользователя при формировании рекомендаций. Согласуется с интуитивной идеей о влиянии близкого окружения на мнение пользователя. В социальной сети уже есть огромное количество информации, которое можно и нужно использовать для уточнения рейтингов. Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
12. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Фоновая работа рекомендательных систем Получение приближенных рейтингов доверия исходя из расстояния между пользователями в социальном графе. Последующее автоматическое уточнение рейтингов на основе точности или неточности выработанных рекомендаций. Пользователь явно не участвует в проставлении рейтингов доверия. Пользователи очень ленивые. Проставление оценки человеку достаточно субъективная вещь. Рейтинги доверия необходимо изменять, потому что все люди так или иначе меняются. Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова
13. Коллаборативная фильтрация Схожесть пользователей Улучшение рекомендаций Заключение Заключение Коллаборативная фильтрация перспективная и актуальная сфера для изучения. Получает все более широкое практическое применение. Существуют алгоритмы, позволяющую достаточно легко реализовать элементы коллаборативной фильтрации в любом проекте. В качестве одного из перспективных направлений развития можно выделить связь коллаборативной фильтрации с социальным графом. Анализ социального графа пользователей и другой дополнительной информации о пользователе дает возможность значительно улучшить качество рекомендаций систем коллаборативной фильтрации контента. Системы коллаборативной фильтрации контента МГУП им. Ивана Федорова