Anca Ion

E-Commerce, 2009-2010

Sisteme de recomandare

Sistemele de recomandare sunt larg utilizate in sistemele online (de ex. Amazon.com, Ebay.com) pentru a sugera utilizatorilor elemente pe care le-ar putea gasi interesante. Aceste recomandari sunt generate folosind, in special, doua tehnici: bazate pe continut, filtrare colaborativa. Filtrarea bazata pe continut sugereaza utilizatorului recomandari pe baza elementelor similare pe care le-a selectat anterior. Pentru aceasta, cautarea bazata pe continut necesita reprezentarea elementelor pe baza caracteristicilor lor. Aceasta reprezentare a elementelor poate fi creata automat sau manual. Filtrarea colaborativa colecteaza opiniile utilizatorilor sub forma unor voturi. Pentru a face o recomandare, sistemul identifica utilizatorii similari si ii sugereaza utilizatorului curent elementele pe care acesti utilizatori le-au preferat in trecut. Acest algoritm nu necesita reprezentarea elementelor pe baza caracteristicilor lor, el este bazat numai pe parerile utilizatorilor dintr-o comunitate. Astfel, filtrarea colaborativa poate fi aplicata pe orice fel de elemente: articole, stiri, site-uri, filme, muzica, excursii, etc. Si nu necesita interventia umana pentru a adnota continutul. Algoritmi de filtrare colaborativa 1. Filtrare coloborativa centrata pe utilizator Pentru algoritmul de filtrare colaborativa centrata pe utilizator se va calcula matricea utilizatorelement (utilizator - excursie) pentru M elemente si K utilizatori. Fiecare element al matricei indica: - votul pe care un utilizator l-a dat pentru o excursie, daca excursia a fost votata, - valoare necunoscuta daca excursia nu a fost votata. Fiecare rand al matricei este un vector care reprezinta profilul utilizatorului pe baza voturilor date excursiilor. Tabel 1. Matricea utilizatori voturi acordate elementelor-excursie. Excursie1 2 2 5 5 3 Excursie2 5 3 1 4 Excursie3 1 2 Excursie4 1 2 1 4

Utilizator1 Utilizator2 Utilizator3 Utilizator4 Utilizator5

Anca Ion

E-Commerce, 2009-2010

Cand un utilizator cere o recomandare, algoritmul standard FC efectueaza 3 pasi:

Se compara profilul utilizatorului cu al celorlalti utilizatori din sistem, prin calcularea unui coeficient de similitudine.

Pentru a calcula similaritatea intre profilele utilizatorilor, se va folosi corelatia Pearson. Corelatia Pearson wa,u reprezinta similaritatea dintre utilizatorul a si u, luand in considerare voturile lor acordate excursiilor: , =
=1 =1

,
2

,
=1

(1)

unde m este numarul de elemente(excursii) votate de ambii utilizatori a si u; ra,i este votul acordat de utilizatorul a pentru elementul i, si este media voturilor acordate de utilizatorul a. In cazul nostru se va calcula corelatia Pearson intre vectorii de profile utilizator1 (2,-,1,1) si utilizator2 (2,5,2,2). Coeficientul calculat de corelatia Pearson variaza intre -1 si 1. Valoarea 1 indica ca valorile celor 2 vectori tind sa fie similara. Valorile care tind spre -1 indica opusul. Valorile din jurul lui zero indica faptul ca valorile din vectori sunt independente unele de altele. Corelatia Pearson poate fi calculata intre utilizatori numai daca exista voturi acordate de acestia acelorasi excursii. Sistemul prezice utilizatorului curent voturi pentru elementele-excursie pe care nu le-a votat inca.

Votul prezis de sistem pe care utilizatorul a ar trebui sa il acorde elementului i este media aritmetica plus ponderea diferentei dintre votul fiecarui utilizator u pentru elementul i, si media voturilor sale. Ponderea o reprezinta similitudinea dintre utilizatorul a si ceilalti utilizatori u.

, = +
=1

, ,

Sistemul recomanda utilizatorului curent elementele preferate de primii N utilizatori similari.

Anca Ion

E-Commerce, 2009-2010

2. Filtrare coloborativa centrata pe element Cand utilizatorul a selectat un element/excursie, sistemul ii face o recomandare bazata pe elementul selectat (filtrarea colaborativa centrata pe item); astfel se vor recomanda excursii similare cu excursia pe care a selectat-o utilizatorul curent. Pasii algoritmului sunt: Pornind de la matricea utilizatorelement, se va calcula similitudinea intre elemente (excursie -excursie). Se va calcula corelatia Pearson ca in ec. (1) intre vectorii-excursii. Un vector-excursie este format din voturile pe care utilizatorii le-au acordat (coloanele matricei). Exemplu: vector-excursie1 = (2, 2, 5, 5, 3); vector-excursie2 = (-, 5,3,1,4). Pentru elementele inca nevotate de utilizatori, se pot folosi predictiile conform ec. (2). Elementele (excursiile) se ordoneaza descrescator in functie de similitudinea intre ele. Sistemul va recomanda primele M elemente cele mai similare cu elementul selectat de utilizatorul curent.

Exemple de sisteme de recomandare

MovieLens
http://movielens.umn.edu/login

WhatShouldIReadNext.com
http://www.whatshouldireadnext.com/

Last.fm
http://www.last.fm/

StumbleUpon
http://www.stumbleupon.com/

MyStrands
http://www.mystrands.com/download

ChoiceStream
http://www.choicestream.com/

CleverSet
http://www.cleverset.com/solution/

Whattorent.com
http://www.whattorent.com/userinfo.php

Netflix
http://www.netflix.com/

Pandora
http://www.pandora.com/

Anca Ion

E-Commerce, 2009-2010

Bibliografie 1. Colaborative Filtering. http://en.wikipedia.org/wiki/Correlation 2. Recommender Systems. http://en.wikipedia.org/wiki/Recommender_systems 3. TutorialAmazon.com Recommendations. http://www.win.tue.nl/~laroyo/2L340/resources/Amazon-Recommendations.pdf 4. Recommender Sustems. http://www.iota.org/Winter99/recommend.html 5. Analysis of Recommender Systems Algorithms. http://users.uom.gr/~mans/papiria/hercma2003.pdf 6. Sarwar, Badrul and Karypis, George and Konstan, Joseph and Reidl, John, Item-based collaborative filtering recommendation algorithms , WWW '01: Proceedings of the 10th international conference on World Wide Web, 2001. 7. Wang, Jun and de Vries, Arjen P. and Reinders, Marcel J. T ., Unifying user-based and itembased collaborative filtering approaches by similarity fusion , SIGIR '06: Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval, 2006.