Inteligentne systemy informacyjne

HTML
DOWNLOAD

Wielkość: px

Rozpocząć pokaz od strony:

Download "Inteligentne systemy informacyjne"

Wacława Orzechowska
7 lat temu
Przeglądów:

1 Filip Graliński Inteligentne systemy informacyjne Rekomendacje

2 założenia n użytkowników (widzów, czytelników, słuchaczy etc.) m obiektów (filmów, książek, piosenek etc.) opinie wyrażone za pomocą liczb

3 założenia n użytkowników (widzów, czytelników, słuchaczy etc.) m obiektów (filmów, książek, piosenek etc.) opinie wyrażone za pomocą liczb niektóre komórki puste!

4 collaborative filtering filtrowanie grupowe

5 Szczęki Liberator Terminator Predator Miś Rocky Asia Basia Czarek Darek Ewa Franek Genia

6 odległość euklidesowa A B C D E F G A B C D E F G

7 podobieństwo d A B C D E F G A B C D E F G

8 współczynnik korelacji Pearsona

9 współczynnik korelacji Pearsona (cd.) r = i x iy i i x i m i y i ( i x 2 i ( i x i ) 2 m )( i y 2 i ( i y i ) 2 m )

10 współczynnik korelacji Pearsona A B C D E F G A B C D E F G

11 propozycje dla Geni osoba r Sz. T-r R-y A B D E F razem suma korelacji prognoza

12 podobieństwo między produktami? Sz. L-r T-r P-r Miś R-y Sz L-r T-r P-r Miś R-y

13 item-based filtering 1. dla każdego produktu wyznaczamy listę najbardziej podobnych produktów 2. dla danego użytkownika przeglądamy jego produkty i tworzymy ważoną listę podobnych produktów

14 ocena Sz. T-r R-y L-r P-r Miś razem znorm

15 przykładowe serwisy

16 Amazon (2003) item-based filtering

17 YouTube item-based filtering jakie filmy użytkownik oglądał? (jak długo?) co oznaczył jako ulubione? co ocenił? co dodał do playlisty? rekomendacje dają 60% kliknięć

18 filmaster.pl kod na licencji Affero GPLv3 treść na licencji Creative Commons Uznanie Autorstwa Python + Django + PostgreSQL + Linux szukanie podobnych filmów ocenianie i rekomendowanie filmów w skali 1-10

19 filmaster.pl - podobne filmy Podobieństwo ważona suma: liczby wspólnych tagów (ważone: log 2 2+N 10+N t ) liczby wspólnych aktorów liczby wspólnych reżyserów podobieństwo ocen użytkowników: średnia między ocenami użytkowników, którzy ocenili daną parę filmów

20 filmaster.pl rekomendowanie R = R 1,1 R 1,m R u,1 R u,m R i,j {1, 2,..., 10, NULL}

21 filmaster.pl rekomendowanie R R = U 1,1 U 1,f U u,1 U u,f M 1,1 M 1,m.. M f,1 M f,m U i,k waga cechy k dla użytkownika i M k,j na ile cecha k występuje w filmie j

22 filmaster.pl rekomendowanie (cd.) jak wyliczyć macierze U i M?

23 filmaster.pl rekomendowanie (cd.) jak wyliczyć macierze U i M? prosta metoda ucząca, pojedynczy krok: ɛ = λ(r u,m R u,m) U u,f = U u,f + ɛm f,m M f,m = M f,m + ɛu u,f

24 Netflix prize Netflix internetowa wypożyczalnia DVD początek: 2006 r. zbiór danych: 100 mln ocen cel: pobić algorytm Cinematch miara: RMSE pierwiastek błędu średniokwadratowego Cinematch nagroda: $ za > 10%

25 Netflix prize wyniki finał: lipiec 2009 zwycięzca: BellKor s Pragmatic Chaos RMSE: (+10.06%)

26 Netflix prize wyniki finał: lipiec 2009 zwycięzca: BellKor s Pragmatic Chaos RMSE: (+10.06%)... proces Doe vs Netflix

27 Netflix prize jak? model dni tygodnia model czasu model wektorowy tytułów rozkład macierzy item-based filtering (knn)...

28 Netflix prize jak? model dni tygodnia model czasu model wektorowy tytułów rozkład macierzy item-based filtering (knn) miks wszystkiego

29 (Tákács i in. 2007)

30 Pandora Radio spersonalizowane radio Music Genome Project, 400 genów : słowa po portugalsku głos żeński pełen emocji solówka na gitarze basowej brzmi jak walc...

31 rekomendowanie wiadomości GroupLens Daily Learner Findory Google News

32 rekomendowanie wiadomości wyzwanie dynamika

33 rekomendowanie wiadomości wyzwanie dynamika zmiana zainteresowań

34 rekomendowanie wiadomości wyzwanie dynamika zmiana zainteresowań różne zainteresowania

35 rekomendowanie wiadomości wyzwanie dynamika zmiana zainteresowań różne zainteresowania nowość

36 rekomendowanie wiadomości wyzwanie dynamika zmiana zainteresowań różne zainteresowania nowość unikanie końskich okularów

37 rekomendowanie wiadomości wyzwanie dynamika zmiana zainteresowań różne zainteresowania nowość unikanie końskich okularów

38 rekomendowanie wiadomości wyzwanie dynamika model krótkoterminowy zmiana zainteresowań model krótkoterminowy różne zainteresowania nowość unikanie końskich okularów

39 rekomendowanie wiadomości wyzwanie dynamika model krótkoterminowy zmiana zainteresowań model krótkoterminowy różne zainteresowania nowość kara za zbytnie podobieństwo unikanie końskich okularów

40 rekomendowanie wiadomości wyzwanie dynamika model krótkoterminowy zmiana zainteresowań model krótkoterminowy różne zainteresowania model długoterminowy nowość kara za zbytnie podobieństwo unikanie końskich okularów

41 rekomendowanie wiadomości wyzwanie dynamika model krótkoterminowy zmiana zainteresowań model krótkoterminowy różne zainteresowania model długoterminowy nowość kara za zbytnie podobieństwo unikanie końskich okularów wpływ redaktora

44 bibliografia G. Takács, I. Pilászy, B. Németh, and D. Tikk. On the Gravity Recommendation System. In Proc. of KDD Cup Workshop at SIGKDD 07, 13th ACM Int. Conf. on Knowledge Discovery and Data Mining, pp , San Jose, CA, USA, August 12-15, 2007.

Podobne dokumenty

Filip Graliński. Sztuczna inteligencja. Klasyfikacja i rekomendacja

Filip Graliński. Sztuczna inteligencja. Klasyfikacja i rekomendacja Filip Graliński Sztuczna inteligencja Klasyfikacja i rekomendacja Wyszukiwanie Odkrywanie wzorców Inteligentne systemy informacyjne Eksploracja Predykcja Opis Wyszukiwanie Odkrywanie wzorców Inteligentne