Sistemas Recomendadores Híbridosdparra.sitios.ing.uc.cl/classes/recsys-2015-2/clase8_hybrid.pdf ·...

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 1 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

Sistemas Recomendadores HíbridosSistemas Recomendadores HíbridosIIC 3633 - Sistemas Recomendadores

Denis ParraProfesor Asistente, DCC, PUC CHile

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 2 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

Memo del SemestreTarea 1: Deadline el Jueves 17 de Septiembre.

Lecturas en el semestre: Ya fueron actualizadas en el sitio web del curso.

Proyecto Final:

·

·

·

Entrega de abstract con a lo más 3 ideas el martes 22 de Septiembre, el 29 de septiebre se debe entregar propuesta final.-

2/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 3 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

Lecturas Semana 2 (Evaluación)Aspectos débiles y críticos:

Aspectos positivos:

Aspectos para discusión:

·

No contiene referencias a métodos de factorización matricial. Ref: Koren, Y., & Bell, R. (2011). Advances in collaborative filtering.In Recommender systems handbook (pp. 145-186). Springer US.

Métricas no son autoexplicativas. Especial crítica a cómo se describe métrica de diversity y novelty de Lathia (revisar el post dehttp://jpsf1971.tumblr.com/ por detalles)

Cobertura del capítulo, muy general. Poca diferencia entre machine learning, data mining y RecSys.

-

-

-

·

Descripción de las fuentes de información.

Algunos términos que suenan novedosos para algunos usuarios (lurkers, trust)

-

-

·

Privacidad, mención de "venta de bases de datos de usuarios".

Robustez del recomendador a ataques / Reproducibility / Finalidad del RecSys.

Falta investigación que permita identificar técnicas que fallan para no repetir errores.

Combinación de la métricas: Cuál importa más? cómo encontrar la mejor combinación?

-

-

-

-3/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 4 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

Resumen de Comentarios en Blogs IILecturas Semana 3 (Métricas de Evaluación)

Aún faltan bastantes! Las revisaremos la próxima clase.·

4/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 5 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

TOCEn esta clase

1. Motivación

2. Clasificación General

3. Modelos de Hibridización

4. Ejemplos

5/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 6 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_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.

·

·

·

6/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 7 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_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.

7/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 8 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_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.

8/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 9 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_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

·

·

·

·

9/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 10 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_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

·

·

·

10/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 11 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

7 Estrategias de Hibridización (Burke 2002)

11/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 12 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

Hibridización Monolítica

12/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 13 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

Hibridización Paralela

13/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 14 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

Hibridización Pipeline

14/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 15 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

Hibridización Monolítica

Estrategias de Combinación:

Feature Combination

Feature Augmentation

·

·

15/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 16 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Monolítica: Feature Combination I

16/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 17 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Monolítica: Feature Combination II

17/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 18 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Monolítica: Feature Augmentation

18/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 19 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Monolítica: Feature Augmentation

19/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 20 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

Hibridización Paralela

Tres mecanismos principales:

Weighted

Mixed

Switching

·

·

·

20/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 21 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Paralela: Weighted I

21/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 22 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Paralela: Weighted II

22/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 23 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Paralela: Mixed I

23/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 24 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Paralela: Mixed II

24/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 25 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Paralela: Mixed III

25/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 26 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Paralela: Mixed IV

26/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 27 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_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.

·

·

·

27/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 28 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Paralela: Switching II

28/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 29 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

Hibridización Pipeline

Dos mecanismos principales:

Cascade

Meta-Level

·

·

29/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 30 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

H. Pipeline: Cascade

30/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 31 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_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

31/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 32 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_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

·

·

·

·

32/33

9/8/15 5:58 PMSistemas Recomendadores Híbridos

Page 33 of 33file:///Users/denisparra/Dropbox/PUC/IIC3633-RecSys-2015_2do/Website_R/clase8_hydrid.html#1

33/33