Presentación

Introducción a Sistemas de Recomendación (Inglés)


Ubicación:
Auditorio Fundadores
Fecha y hora:
Sábado 10, 11:10
Autores:
Manuel Ignacio Franco Galeano (Colombia)
Diapositivas:
introduction-to-recommendation-systems.odp
Resumen:

Los sistemas de recomendación están en todo lado. Por ejemplo cuando nuestra red social nos invita a conectar con otros usuarios, o cuando nuestro servicio de música por suscripción nos sugiere nuevo contenido. Todos estos sistemas comparten algunos principios básicos que revisaremos en esta charla.

Descripción:

En esta charla analizaremos los aspectos básicos del funcionamiento de los sistemas de recomendación. La charla se divide en 5 partes:

Introducción (10 minutos)

Empezaremos por discutir brevemente los orígenes y oportunidades de negocio que han generado la expansión de los sistemas de recomendación. Analizaremos las principales ventajas desde el punto de vista de empresas y usuarios.

  • Un caso del mundo real (El efecto Amazon).
  • Anatomía de la cola larga (Long Tail)
  • Recomendación basada en contenido.
  • Filtrado Colaborativo.
  • Sistemas Híbridos.
  • Recomendación Conversacional.

nt-recommend: Framework Didáctico Basado en Python3 Para el Aprendizaje de Sistemas de Recomendación (10 minutos)

Filtrado colaborativo. (15 minutos)

Recomendaciones basadas en usuarios.

  • Ratings de usuarios.
  • Matriz de ratings de usuarios.
  • Rating promedio.
  • Similitud entre usuarios.
  • Vecindarios de similitudes.
  • Generando predicciones.
  • Pros y cons de filtrado colaborativo basado en usuarios.

Mejorando computo de similitud.

  • Calculo de similitud basado en cosenos.
  • Coeficiente de correlación de Pearson.

Mejorando el computo de predicciones

  • Formula de predicción de Resnick
  • Ponderación de valores.
  • Voto por defecto.

Predicción de Ratings vs Recomendación de Top N Items

Evaluación de Sistemas Basados en Filtrado Colaborativo.

  • Sub-Sampling Aleatorio (Repeated Random Sub-Sampling).
  • Validación Cruzada K-Pliegues (K-Fold Cross Validation).
  • Dejar uno fuera (Leave-One-Out).

Metricas para prediccion.

  • Error medio al cuadrado (MSE).
  • Raíz cuadrada de error medio al cuadrado (MSE).
  • Cobertura.

Conclusiones (5 minutos)

  • Fuentes de información.
  • Premio Netflix.