1. Sisteme de recomandare
Lupuleţ Corneliu
Neculciu Filip
Velişcu Ovidiu
Ţambrea Constantin
Tăbărana Cristian

2. Sisteme de recomandare
    Un sistem de recomandare este un instrument care încearcă să prezinte utilizatorilor, obiecte şi noţiuni de interes pentru aceştia (filme, muzică, ştiri, imagini, persoane).
   
    Recomandarea se face pe baza cunoaşterii (explicită sau implicită) a profilului utilizatorului (modelul de preferinţe)

3. Descriere formală U mulţimea utilizatorilor
A mulţimea articolelor cunoscute de sistem (şi care pot fi recomandate)
                     funcţie care măsoară interesul unui utilizator pentru un anumit articol
    Scopul
        De a estima cât mai bine această funcţie în punctele în care nu este definită, adică de a prezice ce anume este posibil să-i placă (şi cât de mult) unui utilizator ale cărui “gusturi” apreciem că sistemul le cunoaşte.

4. Clasificare
    Construirea profilului utilizatorului se poate face în mod:
explicit - sistemul cere informaţii de la utilizatori 
            (ex: note acordate filmelor)
implicit - prin analiza articolelor sau paginilor web vizitate
    În funcţie de tehnica de estimare folosită, există
recomandări bazate pe conţinut 
recomandări colaborative
    Filtrare colaborativă:
utilizator
articol
atribut
       
Un exemplu de sistem bazat pe atribut este Yahoo Movies!. Un anumit obiect, in acest caz un film, este notat pe baza unor atribute precum nivel de umor, actiune, emotie etc. Aceste atribute vor fi folosite pentru a vedea daca un film/obiect se potriveste profilului utilizatorului

5. Probleme
La sistemele bazate pe filtrare colaborativă centrată pe utilizatori există două probleme bine-cunoscute: 
First-Rater Problem
            -    Problema articolelor nou introduse în baza de date;
Cold-Start Problem
            -    Problema utilizatorilor nou veniţi în sistem
Problema articolelor nou introduse în baza de date (“First-Rater Problem”). Pentru acestea nu există la momentul introducerii lor un număr minim de calificative acordate de utilizatori, pentru a putea face recomandări pe baza acestora.
În mod similar apare problema utilizatorilor nou veniţi în sistem (“Cold-Start Problem”), despre care nu există, la început, suficient de multe informaţii pentru a 
putea determina preferinţele si face recomandări

6. Item-based filtering Filtrare user-based - probleme de scalabilitate
Item-based - avantaj - procesul de determinare a similarităţii între articole poate fi independent de cel de prezicere (recomandare) şi poate fi realizat offline.
Poate fi îmbunătăţit  cu informaţii semantice provenite din alte surse (ex: ontologii specifice domeniului)
Se poate folosi tehnica "Latent Semantic Indexing" (LSI) pentru reducerea dimensiunii matricii iniţiale (item, item) la un grup restrâns de atribute strâns corelate.

7. Exemple de Sisteme - Google News - Amazon - Yahoo Movies! - iTunes  
        - Google News
        - Amazon
        - Yahoo Movies!
        - iTunes
        - Youtube
        - StumbleUpon
        - Photoree         - BookLamp
       
     

8. Crearea unui profil Probleme:
sistemul are nevoie de multe informații pentru a funcționa cu o precizie acceptabilă
utilizatorul nu are:
timpul
dorința
cunoștințele
să dea explicit toate informațiile de care sistemul are nevoie

9. Solutia Google: Web History
    Web History este o facilitate introdusă de Google pentru a reţine ce pagini a vizitat utilizatorul.

10. Avantaje/Dezavantaje
adună date foarte repede
odată format, sistemul este foarte stabil - anomaliile de comportament cauzate de curiozitate, greșeli, etc. au efect neglijabil
Dezavantaje:
cold-start - sunt prezentate subiectele cele mai populare, nu neapărat cele mai interesante pentru utilizatorul curent
funcționează doar dacă utilizatorul e logat pe contul de google și a activat Web History
poate fi lent in detectarea schimbărilor de preferințe

11. StumbleUpon comunitate Web facilitează descoperirea de site-uri
sistem de recomandare bazat pe utilizator
peers (utilizatori cu "gusturi" similare)
friends (aleşi de utilizator)
filtrare colaborativă (eng. "colaborative filtering")
automatizează "word of mouth"

12. Principiile sistemului

13. Filtrare colaborativă bazată pe utilizator

14. Avantaje / dezavantaje
viteza
practic pentru număr uriaş de site-uri comparativ cu analiza de conţinut
Dezavantaje:
"First-Rater" problem
"Cold-Start" problem
rating-uri subiective

15. Exemplu de utilizare

16. Yahoo Movies!
            Industria filmelor este foarte vastă. Din acest motiv, a fost necesar un algoritm de recomandare diferit, optimizat şi pentru filme vizionate de către puţini utilizatori.
           Sistemul folosit de Yahoo Movies! se bazează pe motorul de recomandare făcut de Choice Stream: Modelarea bayesiană a preferinţelor pe baza atributelor (eng. Attributed Bayesian Choice Modelling).

17. Attributed Bayesian Choice Modelling
Observăm principiul general de funcţionare al motorului de recomandare: - Se ia un set complet de date clasificate pe baza atributelor; - Se face o analiză a preferinţelor utilizatorului, prin lista sa de filme favorite, notele date, chestionare sau alegeri făcute de utilizatori cu profil similar; - Se realizează profilul utilizatorului; - Se dau note la fiecare obiect din setul de date şi le ordonează pe baza preferinţelor utilizatorului (în exemplul anterior, vor fi recomandate filme precum Bridget Jones’ Diary, When Harry Met Sally, The Usual Suspects, Memento, deoarece utilizatorul are preferinţe pentru filme romantice sau filme pline de mister);

18. Avantaje/dezavantaje
"First-Rater" Problem dispare
"Cold-Start" Problem este atenuată
Eficienta recomandărilor
Dezavantaje:
 Alegerea valorilor atributelor este subiectivă

19. Exemple de utilizare - Yahoo Movies!

20. Genius
 Genius este un feature introdus în aplicaţia iTunes începând cu versiunea 8
 generează automat o listă de melodii similare cu melodia curentă
 pentru utilizare este nevoie de cont iTunes
 Genius va colecta periodic informaţiile legate de utilizator şi bibliotecile personale de melodii şi le va trimite în mod anonim la baza de date Apple
 Genius analizează metadatele melodiilor(ritmul, ratingurile, poziţia în playlisturi)
 se presupune ca Genius creează amprenta acustică a melodiilor
 strategie comercială

21. Mod de Utilizare

22. Avantaje/Dezavantaje
Genius este un feature util userilor care vor să asculte melodii "înrudite" sau chiar să le cumpere 
Dezavantaje:
trimiterea datelor în anonimat reduce Genius doar la un sistem bazat pe itemi
înclinatie spre comercial şi nu spre utilizator

23. Bibliografie Semantically Enhanced Collaborative Filtering on the Web:
Item based collaborative filtering recommendation algorithms:
StumbleUpon's recommendation technology:
Google News
Collaborative Filtering vs Attributed Bayesian Choice Modelling

24. Vă Mulţumim!
Întrebări ?