Budowa rekomendacji w oparciu o wspóln filtracj

Transkrypt

1 Politechnika Warszawska Wydzia Elektroniki i Technik Informacyjnych Instytut Automatyki i Informatyki Stosowanej Rok akademicki 2011/2012 PRACA DYPLOMOWA MAGISTERSKA Wojciech B k Budowa rekomendacji w oparciu o wspóln filtracj Opiekun pracy mgr in. Piotr Salata Ocena: Podpis Przewodnicz cego Komisji Egzaminu Dyplomowego

2 Wojciech B k Specjalno : Systemy Informacyjno-Decyzyjne Data urodzenia: Data rozpocz cia studiów: yciorys Urodzi em si 7 sierpnia 1983 roku w Radomiu. Ucz szcza em do Szko y Podstawowej nr 40 im. Jana Kochanowskiego, gdzie uko czy em klasy od pierwszej do ósmej. Nauk kontynuowa em w VI Liceum Ogólnokszta cym im. Jana Kochanowskiego b c uczestnikiem wielu konkursów z matematyki, fizyki oraz ekonomii. W roku 2002 zda em egzamin maturalny i zosta em przyj ty na Wydzia Elektroniki i Technik Informacyjnych na Politechnice Warszawskiej oraz do Szko y G ównej Handlowej w Warszawie. W 2005 roku rozpocz em prac zawodow w firmie Pentacomp Systemy Informatyczne i wspó pracuj z ni do dzisiaj. W swej pracy bra em udzia w wielu projektach informatycznych, g ównie przy tworzeniu systemów analitycznych i raportowych. W roku 2008 obroni em prac magistersk w Szkole G ównej Handlowej na specjalno ci zarz dzanie strategiczne i kontynuowa em tam swoj edukacj na niestacjonarnych studiach doktoranckich.... Podpis studenta EGZAMIN DYPLOMOWY egzamin dyplomowy w dniu r. z wynikiem... Ogólny wynik studiów... Dodatkowe wnioski i uwagi komisji

3 Streszczenie Systemy rekomendacji s coraz szerzej stosowane ze wzgl du na przewag konkurencyjn jak daj. Jednym z najefektywniejszych podej do budowy rekomendacji jest wspólna filtracja wykorzystuj ca opinie grupy u ytkowników w celu wyznaczenia rekomendacji dla innych u ytkowników. Do tej pory badania wspólnej filtracji skupia y si ównie na dok adno ci statystycznej wykonywanych predykcji, pomijaj c zyski osi gane przez dostawc. W niniejszej pracy magisterskiej przedstawiono podstawowe poj cia zwi zane z systemami rekomendacji, ich funkcjami oraz stosowanymi metodami rekomendacji. Szczegó owo zosta y opisane wymagania stawiane przed algorytmami wspólnej filtracji, napotykanymi przez nie problemami oraz sklasyfikowano wykorzystywane obecnie techniki. W pracy zaprezentowano nowe podej cie do procesu budowy i dostarczania rekomendacji z wykorzystaniem wspólnej filtracji. Proces ten oceniany jest zbiorem wska ników efektywno ci, w ród których najwa niejszym wska nikiem jest u yteczno systemu, a nie precyzja. Uzasadnieniem proponowanego podej cia s wyniki osi gane przez zaimplementowany system rekomendacji dzia aj cy na rzeczywistych zbiorach filmów, ksi ek i profili randkowych. Praca wpisuje si w nowy trend bada nad systemami rekomendacji, który analizuje te systemy jako narz dzie wp ywu na zachowanie klienta. owa kluczowe: systemy rekomendacji, wspólna filtracja, d ugi ogon, wska niki efektywno ci, e-handel, Microsoft SQL Server 3

4 Title: Making recommendations based on Collaborative Filtering Abstract Recommender systems are increasingly used, because of the competitive advantage they give to the business. One of the most successful approaches to building recommender systems, is collaborative filtering which uses the known preferences of a group of users to make recommendations for other users. So far, studies of collaborative filtering mainly focused on the statistical accuracy of the prediction, forgetting the profits achieved by the supplier. In this Master's Thesis, the main tasks and functions of recommender systems are introduced. The paper describes in details, requirements for the collaborative filtering algorithms, problems they face and the classification of currently used techniques. Author presents a new approach to a collaborative filtering recommendation process. Recommendation process is evaluated with a set of metrics but instead of prediction accuracy the main metric is the system s usability. This approach is explained by the results of an implemented recommendation system, which uses the real data of movies, books and dating profiles. This Thesis is a part of a new trend in the field of recommendation systems studies, which analyzes recommendation systems as a tool for impacting on consumer behavior. Key words: recommender systems, collaborative filtering, CF, long tail, evaluation metrics, e-commerce, Microsoft SQL Server 4

5 SPIS TRE CI SPIS TRE CI WST P Systemy rekomendacji Znaczenie systemów rekomendacji Funkcje systemów rekomendacji Dane i ród a wiedzy Techniki rekomendacji The Netflix Prize Wspólna filtracja Proces wspólnej filtracji podstawowe poj cia Zakres wykorzystania wspólnej filtracji Rozk ad danych Specyfika u ytkowników i przedmiotów Trwa danych Problemy wspólnej filtracji Rzadko danych (Data Sparsity) Skalowalno Synonimiczno Zak amywanie ocen (Shilling Attacks) Typy algorytmów wspólnej filtracji Wspólna filtracja wykorzystuj ca pami Wyznaczanie podobie stwa Podobie stwo oparte na korelacji Podobie stwo oparte na wektorach Wyliczenie predykcji i rekomendacji Suma wa ona ocen Prosta rednia wa ona Szczytowe N rekomendacji Szczytowe rekomendacje w oparciu o u ytkowników Szczytowe rekomendacje w oparciu o przedmioty Rozszerzenia wspólnej filtracji wykorzystuj cej pami Wspólna filtracja wykorzystuj ca model Algorytmy wykorzystuj ce sieci bayesowskie

6 SPIS TRE CI Algorytmy grupuj ce Inne algorytmy wykorzystuj ce model Hybrydowe techniki wspólnej filtracji Wspólna filtracja wzmocniona zawarto ci Po czenie ró nych metod wspólnej filtracji czenie rekomendacji uzyskanych ró nymi technikami Budowa rekomendacji w oparciu o wspóln filtracj Cel rekomendacji Proces budowy i dostarczania rekomendacji Etapy procesu rekomendacji Wprowadzenie przedmiotu Wprowadzenie u ytkownika Wprowadzenie preferencji Wyznaczenie rekomendacji umaczenie rekomendacji Dostarczenie rekomendacji u ytkownikowi Informacja zwrotna od u ytkownika Wybór algorytmów rekomendacji Wska niki efektywno ci Wyniki dla poszczególnych technik Dopasowanie algorytmów do etapów budowy rekomendacji Analiza danych Rozk ad ocen Za enia dla systemu rekomendacji bazuj cego na wspólnej filtracji Implementacja modelu rekomendacji Cel implementacji Architektura rozwi zania Model danych Modu y aplikacyjne Procedury i funkcje bazodanowe Interfejs u ytkownika Wyniki dzia ania Wprowadzenie preferencji u ytkownika Wyznaczanie rekomendacji

7 SPIS TRE CI umaczenie rekomendacji Dostarczenie rekomendacji u ytkownikowi Ocena wyników implementacji Wnioski BIBLIOGRAFIA

8 WST P WST P Ka dego roku na ca ym wiecie powstaje kilkadziesi t tysi cy filmów 1 a ponad milion ksi ek 2 zostaje wydanych. Liczba wszystkich opublikowanych artyku ów naukowych szacowana jest na 50 milionów 3. Co wi cej, ka dego roku powstaje niezliczona liczba modeli samochodów, telewizorów, komputerów i innych produktów kupowanych codziennie przez konsumentów. Oczywistym staje si fakt, e liczba dost pnych informacji przekroczy a mo liwo ci poznawcze pojedynczego cz owieka i potrzebuje on wsparcia podczas podejmowania decyzji o filmie do obejrzenia, ksi ce do przeczytania czy te telewizorze, który chce kupi. Tutaj swoj przydatno pokazuje modelowanie preferencji i powi zane z nim systemy rekomendacji. Modelowanie i przewidywanie preferencji mo na ró norako rozumie w zale no ci od kontekstu, w którym jest stosowane, oraz od z ono ci wykorzystanych w tym procesie metod. Jednak e w ka dym podej ciu, istotna jest odpowied na kluczowe pytanie: Jak u ytkownik A oceni obiekt B? Personalizowane rekomendacje produktów przynosz du e korzy ci, zarówno klientom, którzy otrzymuj od razu to czego szukaj, oraz sprzedawcom którzy maj szans na zwi kszenie przychodów. Istotnym efektem s równie d ugofalowe korzy ci, jak wy szy stopie zaanga owania klienta oraz wzrost jego lojalno ci. Chocia w Polsce jedynie co trzeci e-sklep oferuje proste rekomendacje do produktów, to z bada wynika, e w Stanach Zjednoczonych ponad po owa w cicieli sklepów internetowych (57%) oferuje rekomendacje odpowiadaj ce profilowi klienta a 25% zamierza je wprowadzi do swojej dzia alno ci 4. Najlepszym przyk adem jak efektywne mo e by modelowanie preferencji, jest Amazon, który swój sukces zbudowa w nie na rozbudowanych spersonalizowanych rekomendacjach. Jednym z podej do problemu przewidywania preferencji jest Collaborative Filtering (CF) t umaczone jako wspólna filtracja lub uwspólnione filtrowanie tre ci 5. Metoda opiera si na za eniu, e opinie konkretnego u ytkownika mo na prognozowa jedynie na podstawie jego wcze niejszych opinii i opinii innych u ytkowników, ca kowicie lub 1 dane z roku równie stosowane s okre lenia filtrowanie kolaboracyjne, filtrowanie kolaboratywne oraz filtrowanie asocjacyjne 8

9 WST P w znacznej cz ci ignoruj c dodatkowe informacje o produktach jak cena, gatunek, rok produkcji itd. Niniejsza praca ma na celu przestawienie wykorzystywanych obecnie metod budowy rekomendacji oraz dok adniejsze opisanie wspólnej filtracji. Lektura niniejszej pracy pozwoli zrozumie wady i zalety poszczególnych rozwi za oraz wska e najnowsze trendy wykorzystywane na wiecie. Klamr spinaj teori z praktyk, b dzie rzeczywista implementacja systemu opartego na technice wspólnej filtracji. Praca sk ada si z czterech rozdzia ów: Pierwszy opisuje podstawowe zagadnienia zwi zane z systemami rekomendacji oraz modelowaniem preferencji konsumentów. Zadaniem tego rozdzia u jest zapoznanie czytelnika z podstawami teoretycznymi stosowanych rozwi za, ich wadami i zaletami oraz cechami wp ywaj cymi na miejsce i efekt wykorzystania konkretnych modeli i systemów. Na zako czenie rozdzia u przedstawiony jest konkurs The Netflix Prize, który sta si platform porównuj ró ne techniki i algorytmy rekomendacji. Rozdzia drugi szczegó owo opisuje ide wspólnej filtracji, pod któr kryj si metody o ró norodnym poziomie z ono ci obliczeniowej. Ten rozdzia uzupe nia wiedz ytkownika o zasady dzia ania wspólnej filtracji oraz przyj typologi stosowanych w niej mechanizmów. Rozdzia trzeci prezentuje podej cie autora do technik budowy i dostarczania rekomendacji wykorzystuj cych wspóln filtracj. Wymienione s w nim poszczególne etapy procesu budowy i dostarczania rekomendacji wraz ze wskazaniem miejsc badanych podczas implementacji. Na podstawie wiedzy zgromadzonej w trakcie pisania pracy oraz do wiadcze z pracy z systemami analitycznymi, autor dobiera zestaw technik s cych zarówno zaspokojeniu potrzeb u ytkowników jak i pomagaj cych osi gn cele dostawcy. Rozdzia czwarty opisuje implementacj przedstawionego wcze niej rozwi zania. Efektywno zaimplementowanego systemu oceniona jest przez szereg mierników uzale nionych od ilo ci danych, czasu dost pnego do przedstawienia rekomendacji oraz parametrów definiowanych przez administratora systemu. W ramach opisu implementacji, przedstawiony jest model danych, interfejs u ytkownika oraz wyniki dzia ania systemu. Szeroki zakres opisywanego zagadnienia wymusi na autorze opieranie si na bardzo ró norodnych ród ach. Poniewa opisywany temat jest wci nowy, brakuje interesuj cych publikacji w j zyku polskim. Szczególnie godn polecenia jest ksi ka Recommender Systems Handbook bardzo szczegó owo opisuj ca systemy rekomendacji oraz techniki wspólnej filtracji [RIC]. 9

10 WST P Mam nadziej, i praca ta zapozna czytelników z ciekawym zagadnieniem, jakim jest tworzenie rekomendacji z wykorzystaniem wspólnej filtracji a co wa niejsze, mo e pozwoli ona doceni polskim czytelnikom wag systemów rekomendacji w zdobywaniu przewagi konkurencyjnej zarówno na rynku lokalnym jak i globalnym. 10

11 1. Systemy rekomendacji 1. Systemy rekomendacji Definicje systemu rekomendacji ró ni si w zale no ci od autora. Cz badaczy wr cz nie widzi ró nicy pomi dzy poj ciami system rekomendacji, collaborative filtering czy te social filtering". W ramach niniejszej pracy, przyj ta zosta a definicja systemu rekomendacji wed ug której jest to system, dostarczaj cy zalecenia wyznaczane w oparciu o ró norodne techniki. Badanie systemów rekomendacji (SR) jest relatywnie nowe w porównaniu do badania klasycznych narz dzi i technologii IT, takich jak bazy danych czy wyszukiwarki 6. Systemy rekomendacji pojawi y si jako niezale ny obszar bada dopiero w po owie lat 90 XX. wieku [RIC]. Szczególnie w ostatnich latach, zainteresowanie modelowaniem preferencji i systemami rekomendacji znacz co wzros o, co pokazuje kilka kluczowych faktów: Systemy rekomendacji odgrywaj istotn rol w przedsi wzi ciach, które ju teraz s legendami Internetu: Amazon, YouTube, Netflix, Yahoo, Google czy IMDb. Ponadto wiele firm z bran y medialnej wdra a SR w ramach istotnych us ug wiadczonych swoim abonentom. By zwi kszy jako swych us ug, internetowa wypo yczalnia filmów Netflix, og osi a konkurs z nagrod miliona dolarów dla zespo u, który osi gnie wyniki lepsze od ich systemów rekomendacji [KOR]. Organizowane s dedykowane konferencje i warsztaty powi zane z t dziedzin. Dodatkowo, sesje po wi cone systemom rekomendacji s prowadzone na tradycyjnych konferencjach w dziedzinie baz danych, systemów informacyjnych i systemów adaptacyjnych. W ród tych konferencji warto wymieni : ACM SIGIR Special Interest Group on Information Retrieval (SIGIR), User Modeling, Adaptation and Personalization (UMAP) oraz ACM's Special Interest Group on Management Of Data (SIGMOD). Na uczelniach technicznych ca ego wiata pojawiaj si studia ca kowicie po wi cone systemom rekomendacji a od 2005 roku zacz y si pojawia istotne publikacje akademickie na ten temat. W ród czasopism bran owych po wi caj cych miejsce systemom rekomendacji mo na wymieni : AI Communications (2008), IEEE Intelligent Systems (2007), International Journal of Electronic Commerce (2006), International Journal of Computer 6 Nale y zauwa, e systemy rekomendacji s cz sto implementowane z wykorzystaniem baz danych i wyszukiwarek. 11

12 1. Systemy rekomendacji Science and Applications (2006) oraz ACM Transactions on Computer-Human Interaction (2005) [JAN]. W poni szym rozdziale przedstawione zosta y osi gni cia w dziedzinie budowy i wykorzystania systemów rekomendacji. Na wst pie przedstawione jest znaczenie SR dla nowoczesnych przedsi biorstw dostarczaj cych ró norodne us ugi i produkty. Kolejne podrozdzia y zawieraj dok adniejszy opis funkcji systemów tej klasy, techniki wykorzystywane do ich budowy oraz dane, na podstawie których tworzone s rekomendacje Znaczenie systemów rekomendacji Z najnowszych bada przeprowadzonych przez Gemius w 2010 roku wynika, e utrzymanie zadowolonego klienta wymaga pi ciokrotnie ni szych nak adów, ni zdobycie nowego klienta. Jednocze nie badania Nielsen Norman Group przeprowadzone na u ytkownikach sklepów internetowych wskazuj, e a 34% u ytkowników natychmiast opuszcza witryn, gdy nie mo e odszuka dost pnych i interesuj cych go produktów, a 50% u ytkowników próbuje zidentyfikowa produkty korzystaj c z okna wyszukiwania. atwo zatem zauwa zale no pomi dzy lojalno ci klienta, a jako ci dostarczanych mu rekomendacji. Utrzymanie lojalnego klienta jest na tyle cenne, e inwestycje w systemy personalizowanej rekomendacji osi gaj bardzo wysokie stopy zwrotu. Jednym z najbardziej istotnych czynników sukcesu sklepów internetowych oraz us ug oferowanych przez strony WWW s inteligentne systemy, które w rzetelny i dok adny sposób pomagaj rekomendowa gamy produktów konkretnym u ytkownikom 7. Flagowymi przyk adami s tutaj: Netflix 65% wypo ycze w wyniku rekomendacji. Google News 38% wi cej ruchu dzi ki rekomendacjom. Amazon 35% sprzeda y w nast pstwie rekomendacji wg. Celma & Lamere, ISMIR'

13 1. Systemy rekomendacji Dodatkowym efektem wykorzystania systemów rekomendacji jest aktywizacja tzw. d ugiego ogona produktów (the long tail) 9. Rys. 1 Zasada d ugiego ogona Dzi ki zastosowaniu systemów rekomendacji, firmy oferuj wi cej produktów, co skutkuje wyd eniem ogona. Systemy rekomendacji zwi kszaj równie dost p do nisz u ytkowników, co skutkuje pogrubieniem ogona, a to w rezultacie powoduje przeniesienie rodka ci ko ci sprzedawanych produktów z hitów w kierunku produktów mniej popularnych i rozpowszechnionych. Niektórzy autorzy uwa aj wr cz, e zjawisko ugiego ogona mo e nie tylko przyczyni si do wzrostu dochodów przedsi biorstw sprzedaj cych produkty niszowe, ale tak e doprowadzi do spadku obrotów przedsi biorców handluj cych produktami masowymi. Wyst powanie efektu d ugiego ogona zaczyna podwa zasad Pareto, wed ug której 20% najlepiej sprzedaj cych si towarów generuje 80% przychodów. Dzi ki obni eniu kosztów dystrybucji i sk adowania oraz poszerzeniu rynku, towary niszowe znajduj nabywców zwi kszaj c obroty sklepów internetowych (patrz Rys. 2). Badania pokazuj jednak, e to systemy rekomendacji maj kluczowe znaczenie przy wykorzystywaniu potencja u d ugiego ogona. 9 koncepcja, któr sformu owa Chris Anderson w pa dzierniku 2004 w artykule dla magazynu Wired, celem opisania pewnych modeli biznesowych oraz ekonomicznych, zaobserwowanych w dzia alno ci firm takich jak Amazon.com, czy Netflix. G osi ona, e posiadanie bardzo szerokiego asortymentu mo e zaowocowa wygenerowaniem na pojedynczych, rzadko poszukiwanych pozycjach, sumarycznie wi kszych obrotów ni te, osi gane na najpopularniejszych, masowo sprzedawanych towarach. 13

14 1. Systemy rekomendacji Rys. 2 Udzia w przychodach produktów, które mo na znale tylko online Znaczenie systemów rekomendacji dla przedsi biorstw handlowych i us ugowych jest dok adniej obrazowane przez poszczególne funkcje systemów tej klasy Funkcje systemów rekomendacji Systemy rekomendacji mo na okre li jako zbiór technik i narz dzi dostarczaj cych ytkownikom (konsumentom) sugestie na temat produktów/us ug, które mog by przez nich wykorzystane. Nale y jednak dok adnie zdefiniowa list funkcji jakie SR mog pe ni nie tylko dla konsumentów, ale dla samych dostawców. W rzeczywisto ci, istnieje wiele powodów, dla których us ugodawcy mog chcie wykorzysta t technologi : Wzrost sprzeda y produktów. To chyba najwa niejsza funkcja dla komercyjnych SR. Oznacza ona mo liwo sprzedawania dodatkowych egzemplarzy produktów w porównaniu z liczb sprzedawanych bez rekomendacji. Cel ten jest realizowany, poniewa polecane produkty z du ym prawdopodobie stwem b pasowa do potrzeb konsumenta. Prawdopodobnie ytkownik doceni te porady po wykorzystaniu kilku z nich. Niekomercyjne aplikacje maj podobne cele, nawet je eli dostarczany produkt lub us uga nie s atne. W rozwi zaniach niekomercyjnych u ytkownicy wci ponosz koszty 14

15 1. Systemy rekomendacji zwi zane z wyszukaniem i wyborem w ciwego przedmiotu. Na przyk ad, portale informacyjne chc zwi kszy liczb artyku ów przeczytanych na ich stronach. Sprzeda zró nicowanego asortymentu. Inn wa funkcj SR jest umo liwienie u ytkownikowi wybrania produktów, które mog yby by trudne do znalezienia bez precyzyjnej rekomendacji. Na przyk ad w systemach rekomendacji filmów, takich jak Netflix, us ugodawca jest zainteresowany wypo yczaniem wszystkich filmów w katalogu, nie tylko tych najbardziej popularnych. Przy wysokich kosztach reklamy systemy rekomendacji oszcz dzaj czas i pieni dze sugeruj c i reklamuj c niszowe filmy ciwym konsumentom. Zwi kszenie satysfakcji klientów. Dobrze zaprojektowany system rekomendacji mo e równie poprawi wra enia u ytkownika z korzystania z witryny lub aplikacji. Dzi ki wygodnej interakcji u ytkownik-komputer, konsument szybko odkryje, e rekomendacje s nie tylko interesuj ce i dok adne, ale mo na z nich korzysta w bardzo prosty sposób. Po czenie skutecznych rekomendacji oraz w ciwego interfejsu zwi ksza wykorzystanie systemu w przysz ci oraz prawdopodobie stwo, e zalecenia b akceptowane przez u ytkownika. Zwi kszenie lojalno ci u ytkownika. Statystyki pokazuj, e najbardziej dochodowymi klientami s ci najbardziej lojalni. Dlatego przedsi biorstwa d do pozyskania lojalno ci wobec ich witryn poprzez rozpoznawanie klientów i traktowanie ich w wyj tkowy sposób. Jest to standardowa funkcja systemów rekomendacji, które wykorzystuj c informacje pozyskane od u ytkownika w poprzednich interakcjach, tworz nowe rekomendacje. W konsekwencji im d ej i intensywniej klient korzysta ze strony WWW, tym dok adniej propozycje dostosowane s do jego preferencji. Lepsze zrozumienie potrzeb konsumentów. Inn wa funkcj SR, która mo e znale zastosowanie w wielu innych miejscach, jest opis preferencji ytkownika, zarówno tych zebranych bezpo rednio od niego jak i zbudowanych przez system. Us ugodawca mo e wykorzysta t wiedz do efektywniejszego zarz dzania magazynem, dostawami lub produkcj. 15

16 1. Systemy rekomendacji Zyski dla us ugodawców s bardzo istotnym powodem wdra ania systemów rekomendacji, jednak e u ytkownicy równie ch tnie z nich korzystaj, gdy wspieraj one ich cele. W ród ró norodnych zada SR wymienianych jest 11 podstawowych funkcji dostarczanych u ytkownikom [BUR]. Wyszukanie kilku pasuj cych pozycji. Funkcja polega na poleceniu ytkownikowi, w postaci listy rankingowej, ograniczonego zbioru produktów lub us ug wraz z informacj, jak u ytkownik by je oceni. Jest to jeden z g ównych celów, który udaje si osi gn wielu komercyjnym systemom rekomendacji. Wyszukanie wszystkich pasuj cych pozycji. Funkcja polega na poleceniu wszystkich pozycji zaspokajaj cych jak potrzeb u ytkownika. Przy takim podej ciu przedstawienie zaledwie kilku propozycji nie jest wystarczaj ce. W takich sytuacjach, oprócz korzy ci uzyskanej ze starannej analizy wszystkich mo liwo ci, u ytkownik mo e równie skorzysta z rankingu przedmiotów oraz dodatkowych obja nie generowanych przez system. Adnotacje do kontekstu. System rekomendacji wykorzystuje bie cy kontekst przedstawiany u ytkownikowi i prezentuje propozycje bior c pod uwag preferencje u ytkownika, np. u ytkownik przegl daj cy program TV otrzymuje informacj, który z programów warto obejrze. Rekomendacja sekwencji. Zamiast skupia si na polecaniu pojedynczych przedmiotów, SR proponuje kilka pozycji, które wzajemnie si uzupe niaj i wspólnie zaspokajaj ca potrzeb klienta. Przyk adem takiej propozycji mo e by ca y serial lub sk adanka piosenek. Rekomendacja pakietu. Polega na zaproponowaniu dobrze do siebie pasuj cych przedmiotów. Przyk adowo, plan podró y mo e by z ony z wielu atrakcji, miejsc i us ug zakwaterowania, znajduj cych si w wyznaczonym obszarze. Z punktu widzenia u ytkownika te ró ne alternatywy mog sk ada si na jeden cel podró y. Efektywniejsze przegl danie. ytkownik cz sto przegl da katalogi/strony bez konkretnego zamiaru zakupu. Zadaniem systemu rekomendacji jest wsparcie u ytkownika tak, by przegl da artyku y, które najprawdopodobniej go zainteresuj. 16

17 1. Systemy rekomendacji Testowanie rekomendacji. Wielu u ytkowników podejrzliwie podchodzi do rekomendacji i cz sto woli przetestowa zachowanie SR. Cz systemów nie dla takich przypadków oferuje specjalne funkcje pozwalaj ce ytkownikom na testowanie rekomendacji dla ró nych zadanych parametrów. Definiowanie profilu konsumenta. Je li system nie ma szczegó owej wiedzy na temat aktywnego u ytkownika, to mo e przekaza tylko takie zalecenia, które dostarczy by przeci tnemu u ytkownikowi. By wyeliminowa ten problem, u ytkownicy mog uzupe nia swoje profile wraz z list rzeczy, które lubi oraz których nie lubi. Wyra enie siebie. Cz ci u ytkowników zupe nie nie zale y na rekomendacjach. Istotna jest dla nich mo liwo wyra enia swojej opinii i swoich przekona. Zadowolenie u ytkownika w tej sferze równie dobrze mo e budowa lojalno u ytkownika do serwisu. Pomoc innym. Niektórzy u ytkownicy ch tnie wspieraj innych swoj wiedz, zw aszcza gdy s przekonani, e zyskuje na tym ca a spo eczno. Mo e to by ównym czynnikiem wp ywaj cym na dostarczanie do systemu rekomendacji wej ciowych ocen/opinii/informacji. Wp yw na innych. W webowych systemach rekomendacji zdarzaj si ytkownicy, których g ównym celem jest mo liwo wp ywania na innych i namawiania ich do kupna okre lonych produktów. Niestety cz sto s to szkodliwi u ytkownicy, którzy wykorzystuj system by promowa lub oczernia okre lone produkty. Jak wskazuj powy sze funkcje, rola systemu rekomendacji w ramach systemu informacyjnego mo e by bardzo zró nicowana. To zró nicowanie wymaga jednocze nie równowa enia potrzeb us ugodawców i konsumentów. By to osi gn, konieczne jest wykorzystywanie wielu ró nych róde wiedzy i technik u ywanych do wybierania ciwych rekomendacji Dane i ród a wiedzy Systemy rekomendacji s systemami przetwarzania informacji, które aktywnie zbieraj ró ne rodzaje danych w celu budowania swoich zalece. Dane dotycz g ównie proponowanych produktów/us ug oraz u ytkowników, którzy te zalecenia otrzymuj. 17

18 1. Systemy rekomendacji Poniewa dane i ród a wiedzy dost pne dla SR mog by bardzo zró nicowane, ostatecznie to od rekomendacji zale y, które informacje mo na efektywnie wykorzysta. Ogólnie rzecz bior c, istniej techniki rekomendacji niepotrzebuj ce szerokiej wiedzy, tzn. wykorzystuj bardzo proste i podstawowe dane, takie jak oceny u ytkowników. Inne techniki s bardziej zale ne od wiedzy, np. wykorzystuj szczegó owe opisy ytkowników lub produktów, ró norakie ograniczenia, stosunki spo eczne oraz zarejestrowane dzia ania u ytkowników. Nale y jednak przyj, e dane wykorzystywane przez systemy rekomendacji dotycz trzech typów obiektów: Przedmiotów (produktów i us ug) ytkowników (klientów, konsumentów itp.) Transakcji (czyli relacji pomi dzy u ytkownikami i przedmiotami) Przedmiotami okre la si obiekty, które s rekomendowane. Mog by one charakteryzowane przez ich z ono, warto lub u yteczno. Warto elementu mo e by pozytywna, je li obiekt jest przydatny dla u ytkownika, lub negatywna, je li produkt nie jest w ciwy, a u ytkownik dokona b dnej decyzji wybieraj c go. Zauwa my, e koszt ponoszony przez u ytkownika to nie tylko cena jak zap aci za przedmiot, ale równie koszt wyszukania danego przedmiotu. Przedmiotami o niskiej z ono ci i warto ci s : wiadomo ci, strony internetowe, ksi ki, p yty CD oraz filmy. Przedmiotami o wi kszej z ono ci i warto ci s : aparaty cyfrowe, telefony komórkowe, komputery, itp. Za najbardziej z one produkty uznaje si : polisy ubezpieczeniowe, produkty finansowe, podró e oraz prac [MON]. ytkownicy, jak ju wspomniano powy ej, mog mie bardzo ró ne cele oraz charakterystyk. W celu personalizacji zalece oraz interakcji cz owiek-komputer, systemy rekomendacji wykorzystuj szereg informacji o u ytkownikach. Ta informacja mo e by skonstruowana w ró ny sposób i wybór informacji do modelu preferencji zale y od techniki rekomendacji. We wspólnej filtracji u ytkownicy s modelowani jako lista ich ocen, natomiast w demograficznych systemach rekomendacji u ytkownicy charakteryzowani s takimi atrybutami, jak wiek, p, zawód czy te wykszta cenie. Dane ytkownika sk adaj si na model u ytkownika koduj cy jego preferencje i potrzeby. Wykorzystywane s ró ne podej cia do modelowania u ytkowników i, w pewnym sensie, SR mo e by postrzegany jako narz dzie, które tworzy rekomendacje poprzez budow i wykorzystanie modeli u ytkowników. Transakcje definiowane s jako zarejestrowane interakcje pomi dzy u ytkownikami i systemem rekomendacji. S to dane gromadzone w trakcie komunikacji u ytkownik- 18

19 1. Systemy rekomendacji komputer i wykorzystywane nast pnie we wbudowanych algorytmach rekomendacji systemu. W praktyce, najbardziej popularn form gromadzonych danych transakcyjnych oceny u ytkowników, które to oceny mog przyjmowa ró norodne formy: Wska niki liczbowe, takie jak 1-5 gwiazdek, 1-10 punktów itd. Oceny porz dkowe, takie jak zdecydowanie si zgadzam, zgadzam si, nie mam zdania, nie zgadzam si, silnie si nie zgadzam, gdzie u ytkownik jest proszony, aby wybra termin, który najlepiej pasuje do opisywanego przedmiotu. Oceny binarne, gdzie u ytkownik mo e oceni produkt jako dobry lub z y. Oceny takie s bardzo popularne w portalach spo eczno ciowych oraz na forach tematycznych. Jednoargumentowe oceny, które mog wskazywa e u ytkownik obserwowa lub kupi dany przedmiot, ewentualnie w inny sposób oceni przedmiot pozytywnie. W takich przypadkach brak oceny oznacza, e nie mamy adnych informacji dotycz cych u ytkownika dla przedmiotu Techniki rekomendacji Identyfikuj c przedmioty przydatne u ytkownikowi, system rekomendacji musi najpierw przewidzie, czy produkt jest warty polecenia. W tym celu SR musi by w stanie przewidzie u yteczno przynajmniej niektórych z produktów lub, w najgorszym wypadku, mie mo liwo porównania u yteczno ci tych produktów. Oznacza to e cz systemów rekomendacji nie wylicza pe nej u yteczno ci przedmiotów, a jedynie stosuje heurystyki pozwalaj ce na stwierdzenie, e produkt b dzie dla u ytkownika przydatny. Nale y zauwa, e u yteczno dla u ytkownika mo e zale od innych zmiennych, które s nazywane zmiennymi kontekstowymi [ADO3]. U yteczno mo e zale od wiedzy u ytkownika, jego lokalizacji lub czasu, gdy rekomendacja jest potrzebna. W zwi zku z tym zalecenia musz by dostosowane do tych dodatkowych informacji i w efekcie coraz trudniej jest wyznaczy w ciwe rekomendacje. By uporz dkowa podej cie do technik rekomendacji, nale y podzieli je na 4 podstawowe klasy 10. Wyró niamy w ród nich rekomendacje: 10 Kilku autorów wydziela dodatkowo rekomendacje demograficzne oraz spo eczno ciowe jako niezale ne klasy. 19

20 1. Systemy rekomendacji Oparte na zawarto ci (content-based): System uczy si, by rekomendowa przedmioty podobne do polubionych przez u ytkownika w przesz ci. Podobie stwo przedmiotów jest wyliczane na podstawie cech porównywanych produktów. Dla przyk adu, je li u ytkownik wysoko oceni komedi, system nauczy si, by poleca inne filmy z tego gatunku. Miarami podobie stwa wykorzystywanymi w takich systemach s : odleg cosinusowa, TFIDF, odleg Kullbacka-Leiblera, odleg euklidesowa, odleg Hamminga. Zalety: o niezale no u ytkownika od innych u ytkowników, o prostota implementacji, o przejrzysto (mo liwo budowy wyja nie, jak wyznaczono rekomendacj ), o mo liwo tworzenia rekomendacji dla nowych przedmiotów. Wady: o brak danych dla nowych u ytkowników, o zbytnia specjalizacja, o wiele atrybutów o subiektywnym charakterze. Oparte na wiedzy (knowledge-based): Systemy wykorzystuj ce to podej cie bazuj na specyficznej wiedzy o tym, jak cechy produktów mog spe nia wymagania u ytkowników, a w zwi zku z tym wyznaczana jest ca kowita yteczno produktu dla u ytkownika. Zalety: o mo liwo stosowania dla du ych i z onych asortymentów produktów, o minimalne zapotrzebowanie na u ytkowników, o brak problemu zimnego startu 11. Wady: o trudno ci w modelowaniu, budowie i utrzymaniu bazy wiedzy [DEL]. Wspólna filtracja (Collaborative filtering): Najprostsza implementacja tego podej cia rekomenduje aktywnemu u ytkownikowi przedmioty wysoko ocenione w przesz ci przez innych u ytkowników o podobnym gu cie. Podobie stwo gustów dwóch u ytkowników wyznaczane jest na podstawie 11 Moment dodania nowego przedmiotu lub u ytkownika dla którego nie zdefiniowano jeszcze ocen. 20