J Á N S U C H A L

@ j s u c h a l , F I I T S T U

Odporúčacie systémy a služba sme.sk - čo čítať

Odporúčacie systémy

Odporúčanie produktov

Odporúčanie produktov (2)

Personalizované odporúčanie produktov

Odporúčanie článkov

Odporúčanie článkov (2)

Personalizované odporúčanie článkov

Výzvy odporúčania

Byť lepší ako TOP10 odporúčač

Veľká závislosť na doméne

Nie je nič staršie ako včerajšie noviny.

Chcem kvalitný, časom a ľudmi overený produkt.

Trénovanie odporúčacích algoritmov

predikcia vs. odporúčanie

Čo je to vlastne dobré odporúčanie?

komu, čo, kedy?

Spätná analýza rozhodujúcich faktorov

lepšie produkty/obsah/služby

Obsahové vs. Kolaboratívne odporúčanie

Podobný obsah vs. Podobní ľudia

Obsahové podobné klúčové slová, názvy, texty

rovnaký autor, režisér, herec, skladateľ

rovnaká téma, kategória, cena, farba, materiál

...

Kolaboratívne podobné záujmy (hunch)

rovnakí priatelia (facebook, foaf), followeri (twitter)

...

Služba sme.sk čo čítať

Vstupné dáta logy = 1+M klikov denne

metadáta k článku

logy od/kliknutí na odporúčania

Kolaboratívny prístup k-najbližších susedov

váhovanie článkov/používateľov

implicitná negatívna spätná väzba

Vyhodnotenie syntetické testovanie

CTR + RR (rejection rate)

Implicitná negatívna spätná väzba

Krátke návštevy článkov

návštevník článok “číta” len zopár sekúnd

identifikácia z logov

problém: taby

“Negatívne návštevy článkov”

nezáujem o články na titulke

identifikácia z logov na základe času a top-N v danom čase

problém: hranica medzi videl a nechcel vs. prehliadol

Inšpirácia z vyhľadávania: Filip Radlinski , Thorsten Joachims. Query chains: learning to rank from implicit feedback.

Testovanie

Algoritmy k-najbližších susedov (základ)

odfiltrovanie negatívnych návštev

odfiltrovanie krátkych návštev k-najbližších susedov

k-najbližších susedov z krátkych návštev

Syntetické testovanie klasický ML prístup (trénovacia a testovacia množina)

ladenie parametrov

A/B testovanie viac algoritmov súčasne * ~10 rôznych nastavení

meranie CTR a RR

Budúcnosť sme.sk čo čítať

Meranie času/aktivity na článku

rieši problém tabov

lepšie vyhodnotenie

Hybridný prístup

pridať obsahové odporúčanie

metadáta k článkom (téma, typ, autor)

externé metadáta (FB likes, témy, geo)

Dlhodobé záujmy (model používateľa)

preferencie

GUI a UX

Trendy v odporúčacích systémoch

Skupinové odporúčania

filmy, podujatia, podniky

Odporúčanie zo “social buzz”

FB, twitter, media

Otváranie používateľského modelu

Čo si o mne systém myslí? Ako to zmením?

Vysvetľovanie dôvodu odporúčania