Ranking & UB-CF

En esta clase

1. Definición y un poco de Historia
2. Ranking No Personalizado
3. User-Based Collaborative Filtering
4. Referencias

Recommender Systems aim to help a user
or a group of users in a system to select items
from a crowded item or information space.
(MacNee et. al 2006)

R. Burke tenía su propia definición, similar a esta, pero agregaba ...in a personalized way.

El problema de recomendación formalizado (Adomavicius et al. 2007)

\[\forall c \in C, s^{\prime}_{c} = \arg\!\max_{s \in S} u(c,s)\] \[u:C \times S \to R,\ funcion\ de\ utilidad\] \[R:\ conjunto\ recomendado\ de\ items\\ C:\ conjunto\ de\ usuarios\\ S:\ conjunto\ de\ items\]

Link to PDF file

Link to Amatriain 2012

Link to Amatriain 2012

Link to Amatriain 2012

1. Popularidad.
2. Score: (Ratings Positivos) - (Ratings Negativos)
3. Score: (Rating Promedio) = (Ratings Positivos)/(Total de Ratings)
4. Score: Considerando Ratings positivos y negativos, Limite inferior del Intervalo de Confianza del Wilson Score, para un parámetro Bernoulli.

Donde \(\hat{p}\) es la proporción (estimada) de ratings positivos, \(z_{\alpha/2}\) es el \((1-\alpha/2)\) cuantil de la distribución normal, y \(n\) el número de ratings. \(\alpha\), también llamado nivel de significancia estadístico, generalmente se considera 95%.

1. Considerando los Datos usados
   1. Basado en Reglas (Rule-based)
   2. Basado en Contenido (Content-based)
   3. Filtrado Colaborativo (el usuario y sus vecinos)
2. Considerando el Modelo
   1. Memory-based (KNN)
   2. Model-based (Representación latente)

Dos tareas son necesarias:

• KNN: Encontrar los K vecinos más cercanos (KNN) al usuario \(a\): \[Similaridad(a,i) = w(a,i), i \in K\]
• Predecir el rating que un usuario \(a\) dará a un ítem \(j\) : \[p_{a,j} = \bar{v}_a + \alpha \sum_{i = 1}^{n}{w(a,i)(v_{i,j} - \bar{v}_i)}\]

SOLUCION

SOLUCION

• Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6), 734-749.
• Amatriain, X. (2013). Mining large streams of user data for personalized recommendations. ACM SIGKDD Explorations Newsletter, 14(2), 37-48.
• Miller, B. N., Albert, I., Lam, S. K., Konstan, J. A., & Riedl, J. (2003, January). MovieLens unplugged: experiences with an occasionally connected recommender system. In Proceedings of the 8th international conference on Intelligent user interfaces (pp. 263-266). ACM.
• Parra, D., & Sahebi, S. (2013). Recommender systems: Sources of knowledge and evaluation metrics. In Advanced Techniques in Web Intelligence-2 (pp. 149-175). Springer Berlin Heidelberg.