Рекомендательные системы на основе вложенных тегов

Исполнил: Чеботаев А. П.

Научный руководитель: Бухановский А. В., д.т.н

СПб 2011

Кафедра Компьютерных Технологий, ФИТиП

Задачи рекомендательных систем

Современные РС

• Упорядочивание

Направления развития

• Обоснование

• Фильтрация

2

пользователи

u( , ) функция «полезности» объекты

Существующие методы

3

Узкие рекомендации Однородность

объектов

Ресурсоемкость Похожие пользователи не

являются обоснованием

Ресурсоемкость Факторы являются

скрытыми

Контентные методы Совместная фильтрация Скрытые факторы

поиск рекомендация

Рекомендательные системы

4

Сравнение, упорядочивание

Фильтрация

Предсказание функции 𝒖

Обоснование

Современные РС точное значение функции 𝒖

Вложенные теги приближенное значение функции 𝒖

Вложенные теги

5

u( , ) u( , )

u( , ) u( , )

поиск

сравнение

Пример

6

Анна

Борис 1984

Антиутопия

Улитка на склоне

Фантастика

Град Обреченный

Стругацкие Фантастика

Антиутопия

Стругацкие

поиск

рекомендация

Поиск объектов

1. Поиск компонент

2. Поиск их родителей

3. Сравнение, фильтрация

7

Поиск — 𝑂 𝑛2 Сравнение — 𝑂 𝑛 𝑛 — среднее количество компонент

2

1

3

Экспериментальный стенд

8

Cassandra DB

User

MovieLens

IMDB

DAO

Recommender

Frontend

Vaadin UI

10 000 фильмов 350 000 тегов (актеры, режиссеры, метки пользователей)

BL

Crawler

Обоснование рекомендаций

9

Фильтрация рекомендаций

10

Неточные оценки

0,85 0,9 0,95 1,25

NetflixWinner

SlopeOne NetflixCinematch

Вложенные Теги

11

5

4

3

2

1

0

1. Обучение на 800 000 рейтингов 2. Проверка на 200 000 рейтингов 3. Измерение среднеквадратичной ошибки

1 000 000 рейтингов 6 000 пользователей 3 900 фильмов 100 000 ключевых слов

Результаты

1. Выявлены проблемы существующих рекомендательных систем

2. Предложен метод, решающий проблемы обоснования и фильтрации рекомендаций

3. Построен экспериментальный стенд рекомендательной системы по предложенному методу

4. Произведено сравнение результатов предложенного метода с существующими

12

Выводы

• Отсутствие явных факторов не позволяет фильтровать рекомендуемые объекты

• Возможно построение обосновывающих рекомендательных систем с функциональностью фильтрации рекомендаций при меньших затратах ресурсов

• Допустимо использование предложенного метода в промышленных системах

13

14

Далее представлены дополнительные слайды на случай вопросов комиссии

Импорт данных

15

Фильм

Актер

Режиссер

Ключевое слово

Актер играл в фильме, Вес по умолчанию

Режиссер снимал фильм, Вес по умолчанию

Слово отмечено для фильма, Вес обратно пропорционален количеству фильмов с этим словом

Взаимообмен данными

16

Фильм

Актер

Режиссер

Ключевое слово

Пользователь

• Быстрое формирование профиля пользователя • Накопление информации о фильмах

Ключевое слово

Актер

Пример

17

Анна

Борис 1984

Антиутопия

Улитка на склоне

Фантастика

Град Обреченный

Стругацкие Фантастика

Антиутопия

Стругацкие

поиск

рекомендация

Пример

18

Анна

Борис Хоббит

Сказка

Улитка на склоне

Фантастика

Понедельник начинается В субботу

Стругацкие Фантастика

Сказка

Стругацкие

поиск

рекомендация

Нерелевантность точных оценок

Растёт понимание того, что хорошая точность рекомендаций сама по себе не удовлетворяет потребности пользователей РС и не характеризует эффективность её работы.

19

J. Herlocker, J. Konstan, L. Terveen, and J. Riedl. «Evaluating collaborative filtering recommender systems», ACM Translations on Information Systems, Vol. 22(1), 2004.

Может быть, самые лучшие алгоритмы должны оцениваться по тому, насколько хорошо они могут представить пользователям обоснование вынесенного решения.

Сравнение объектов

• Объект 𝑎 связан с 𝑆𝑎 = 𝑜𝑎1 , 𝑜𝑎2 , … , 𝑜𝑎𝑛 Вес связи 𝑜1 → 𝑜2 обозначим 𝑤 𝑂1, 𝑂2

• 𝑝𝑤 𝑎, 𝑜 = 𝑊 𝑎,𝑜𝑖

(𝑊 𝑎,𝑜𝑖 ) 𝑜𝑖∈𝑆𝑎𝑖

— взвешенный вес

• 𝑢 𝑎, 𝑏 = min 𝑝𝑤(𝑜𝑖 , 𝑎), 𝑝𝑤(𝑜𝑖 , 𝑎), 𝑜𝑖∈𝑆𝑏⋃𝑆𝑎𝑖

20

15

17

21

226

475

384

𝑎 𝑏 𝑜1

𝑆𝑎 𝑆𝑏

𝑜1

𝑜3 𝑜3

𝑜2 𝑜4

Развитие метода

• Функции сравнения

• Алгоритмы поиска

• Качество описания объектов

– Анализ рецензий фильмов

– Фильтрация пользовательских данных

21