Recomendación Basada en Contexto

IIC 3633 - Sistemas Recomendadores - PUC Chile

Denis Parra
Profesor Asistente, DCC, PUC CHile

Memo del Semestre

  • Tarea 1: Deadline este Jueves 8 de Septiembre.

  • Fechas de comentarios de blogs: Ya fueron actualizadas en el sitio web del curso.

Contexto

Un factor importante a considerar al realizar recomendaciones



Definiciones I

  • Primeras definiciones basadas más bien en ejemplos.

  • En uno de los estudios más tempranos sobre contexto, Shilit et al. (1994) identifica como contexto:

    • Dónde estás (where you are),
    • Con quién estás (who you are with), y
    • Qué recursos hay alrededor (what resources are nearby.)

Definiciones II

  • Dey (2001) intenta formalizar la definición de contexto para volverla más fácilmente operable como:

    Context is any information that can be used to characterise the situation of an entity.
    An entity is a person, place, or object that is considered relevant to the interaction between a user and an application, including the user and applications themselves

ref: Anind K. Dey. 2001. Understanding and Using Context. Personal Ubiquitous Comput. 5, 1 (January 2001), 4-7. DOI=http://dx.doi.org.ezproxy.puc.cl/10.1007/s007790170019

Definiciones III

  • En un trabajo más reciente, Ranganathan & Campbelll (2003) identificaron: "…context denotes additional information to what is traditionally represented in a user model, such as:"
    • demographics or interests, and refers to “physical contexts (e.g., location, time),
    • environmental contexts (weather, light and sound levels),
    • informational contexts (stock quotes, sports scores),
    • personal contexts (health, mood, schedule, activity),
    • social contexts (group activity, social activity, whom one is in a room with),
    • application contexts (emails, websites visited) and
    • system contexts (network traffic, status of printers)”

Definiciones IV

  • Como es de esperarse, un contexto considerado "relevante" varía bastante según el área:

    • Marketing: Contexto es definido como las etapas de vida que caracterizan al cliente ya que pueden determinar un cambio importante en sus preferencias, estado y valor para las compañías:
      • nuevo trabajo,
      • nacimiento de un hijo,
      • casamiento, divorcio, jubilación.
  • Personalización en e-commerce

    • Intento de compra, Palmisano et al. (2008), construir distintos perfiles de usuario dependiendo del contexto.
    • Sistemas context-aware móviles y ubicuos: ubicación, fecha, estación (Brown et al. 1997, 2005 ) temperatura y estado emocional.

Cómo obtener información contextual

  • Explícitamente: Encuestas
  • Implicitamente: Información de dispositivos (hora, ubicación, temperatura, etc)
  • Infiriendo: e.g. distintos usuarios que está viendo películas con la misma cuenta de movie city (Naïve Bayes o redes Bayesianas, Palmisano et al. 2008)

Contexto en Sistemas de Recomendación

  • Observable / Parcialmente / No Observable

  • Estático / Dinámico

ref: Adomavicius, G., Mobasher, B., Ricci, F. , & Tuzhilin, A. (2008) Context-Aware Recommender Systems. AAAI Magazine.

Paradigmas para Incorporar Contexto

Pre-Filtrado / Post-Filtrado / Modelado Contextual

Caso de Pre-filtrado

  • Baltrunas, L., & Amatriain, X. (2009, October). Towards time-dependant recommendation based on implicit feedback. In Workshop on context-aware recommender systems (CARS’09)

Caso de Pre-filtrado: Evaluación

  • Baltrunas, L., & Amatriain, X. (2009, October). Towards time-dependant recommendation based on implicit feedback. In Workshop on context-aware recommender systems (CARS’09)

Caso de Post-Filtrado: Sharing the Square

  • Sharing the Square (2005)

Caso de Post-Filtrado: Sharing the Square

  • Sharing the Square (2005): Interfaz e Interacción

Caso de Post-Filtrado: Sharing the Square

  • Databases: Adaptar resultados de las bases de datos dependiendo del contexto: Stephanidis (2007), Agrawal (2006), and Mokbel’s CareDB (2009)

Sistema donde Contexto es parte del Modelo

  • Karatzoglou, A., Amatriain, X., Baltrunas, L., & Oliver, N. (2010, September). Multiverse recommendation: n-dimensional tensor factorization for context-aware collaborative filtering. In Proceedings of the fourth ACM conference on Recommender systems (pp. 79-86). ACM.

FM Tradicional


Matriz -> Tensor

Función de Pérdida

  • Opción 1: Cuadrado del Error

  • Opción 2: Error Absoluto

Datasets / Evaluación


Comparación con Otros Métodos


Con/Sin Contexto


Con/Sin Contexto II


Influencia de Información Contextual


Efecto en Otros Datatasets


Caso de Estudio Modelado Contextual II

Linas Baltrunas, Bernd Ludwig, Stefan Peer, and Francesco Ricci. 2012. Context relevance assessment and exploitation in mobile recommender systems. Personal Ubiquitous Comput. 16, 5 (June 2012), 507-526. DOI=10.1007/s00779-011-0417-x

Rescate de Preferencias del Usuario


Contextos Usados


Opciones de la interfaz I


Opciones de la interfaz II


Opciones de la interfaz III


Resultados


Okapi Linas' Library

Otro casos interesantes:

Referencias

  • Anind K. Dey. 2001. Understanding and Using Context. Personal Ubiquitous Comput. 5, 1 (January 2001), 4-7. DOI=http://dx.doi.org.ezproxy.puc.cl/10.1007/s007790170019

  • Adomavicius, G., Mobasher, B., Ricci, F. , & Tuzhilin, A. (2008) Context-Aware Recommender Systems. AAAI Magazine.

  • Augusto Q. Macedo, Leandro B. Marinho, and Rodrygo L.T. Santos. 2015. Context-Aware Event Recommendation in Event-based Social Networks. In Proceedings of the 9th ACM Conference on Recommender Systems (RecSys '15). ACM, New York, NY, USA, 123-130. DOI=http://dx.doi.org/10.1145/2792838.2800187

  • Christoph Trattner, Alexander Oberegger, Lukas Eberhard, Denis Parra and Leandro Balby Marinho. 2016. Understanding the Impact of Weather for POI Recommendations. ACM RecSys Workshop on Recommenders in Tourism