Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 1 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Sistemas Recomendadores HíbridosSistemas Recomendadores HíbridosIIC 3633 - Sistemas Recomendadores
Denis ParraProfesor Asistente, DCC, PUC CHile
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 2 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Memo del SemestreTarea 1: Deadline nuevo, Jueves 8 de Septiembre.
Lecturas en el semestre: Ya fueron actualizadas en el sitio web del curso.
·
·
2/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 3 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
TOCEn esta clase
1. Motivación
2. Clasificación General
3. Modelos de Hibridización
4. Ejemplos
3/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 4 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
MotivaciónDiferentes métodos tienen distintas debilidades y fortalezas
Filtrado Colaborativo es preciso, pero sufre de sparsity, cold start y new item problem
Filtrado Basado en contenido no sufre tanto por sparsity y permite con facilidad para extraer features del contenido. Sin embargo,también sufre de "new user problem", es menos preciso de el F.C. y presenta sobre-especialización.
Knowledge-based: No los hemos visto hasta ahora. Casos típicos son Constrait-Based y Case-Based. Basados en un paradigma másinteractivo, también los llaman “Conversacionales” (Burke, 2002). Su principal debilidad es el costo de mantener las reglasactualizadas.
·
·
·
4/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 5 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Categorización de RecSys de Burke (2002)
Ref: Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User modeling and user-adapted interaction, 12(4), 331-370.
5/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 6 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Modelo Caja Negra de RecSys (Jannach et al. 2010)
Ref: Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: an introduction. Cambridge University Press.
6/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 7 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Combinar Métodos Content-based y FiltradoColaborativoSegún (Adomavicius et al., 2005)
Ref: Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art andpossible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6), 734-749.
Implementar métodos CF y CB separadamente y combinar las predicciones
Incorporar características de métodos CB dentro de un método CF
Incorporar características colaborativas dentro de modelo CB
Construir un modelo que de manera unificada incorpore características basadas en contenido y colaborativas
·
·
·
·
7/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 8 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Cómo combinar Métodos de Recomendación?Burke (2002) distingue 7 estrategias de hibridización
Jannach (2012) resume las 7 estrategias en 3 diseños generales
Monolítico
Paralelizado
Pipeline
·
·
·
8/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 9 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
7 Estrategias de Hibridización (Burke 2002)
9/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 10 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Hibridización Monolítica
10/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 11 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Hibridización Paralela
11/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 12 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Hibridización Pipeline
12/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 13 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Hibridización Monolítica
Estrategias de Combinación:
Feature Combination
Feature Augmentation
·
·
13/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 14 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Monolítica: Feature Combination I
14/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 15 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Monolítica: Feature Combination II
15/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 16 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Monolítica: Feature Augmentation
16/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 17 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Monolítica: Feature Augmentation
17/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 18 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Hibridización Paralela
Tres mecanismos principales:
Weighted
Mixed
Switching
·
·
·
18/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 19 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Paralela: Weighted I
19/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 20 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Paralela: Weighted II
20/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 21 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Paralela: Mixed I
21/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 22 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Paralela: Mixed II
22/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 23 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Paralela: Mixed III
23/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 24 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Paralela: Mixed IV
24/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 25 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Paralela: Switching IDe un grupo de recomendadores, activar un recomendador a la vez.
Podría ser especialmente útil considerando los learning rate de algunos métodos.
Ejemplo: Elegir entre un clasificador Bayesiano y un recomendador Item-based como en: Ghazanfar, M., & Prugel-Bennett, A.(2010). An Improved Switching Hybrid Recommender System Using Naive Bayes Classififier
and Collaborative Filtering.
·
·
·
25/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 26 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Paralela: Switching II
26/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 27 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
Hibridización Pipeline
Dos mecanismos principales:
Cascade
Meta-Level
·
·
27/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 28 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Pipeline: Cascade
28/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 29 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
H. Pipeline: Meta-LevelEl modelo aprendido por un recomendador es usado para un segundo recomendador. Transfer Learning:
Tutorial on Cross-domain recommender systemshttp://recsys.acm.org/wp-content/uploads/2014/10/recsys2014-tutorial-cross_domain.pdf
29/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 30 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
ReferenciasBurke, R. (2002). Hybrid recommender systems: Survey and experiments. User modeling and user-adapted interaction, 12(4), 331-370.
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art andpossible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6), 734-749.
Burke, R. (2007). Hybrid web recommender systems. In The adaptive web (pp. 377-408). Springer Berlin Heidelberg.
Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: an introduction. Cambridge University Press.Chicago
·
·
·
·
30/31
8/30/16, 00:39Sistemas Recomendadores Híbridos
Page 31 of 31file:///Users/denisparra/Dropbox/PUC/IIC3633-2016-2/Website_R/clase7_hydrid.html#1
31/31