Sistemas de recomendación

La entrada es breve y la divido en dos partes, un poco la teoría  y un poco la parte de ejemplos. Al final de la entrada dejo las referencias.

Cabe mencionar que en general ya no es solo un tópico el tema de los sistemas de recomendación, existen ahora cursos  relativamente amplios respecto al tema, el recomendado es el curso de la universidad de Minessota y que cuentan con el laboratorio de computo GroupLens en el cual se estudian técnicas de sistemas de recomendación.

El impacto en general para todos es conocido, uno puede ver que youtube recomienda lista de canciones, que Amazon recomienda libros, que Coursera recomienda cursos y el ahora desaparecido Grooveshark recomendaba géneros y canciones, lo que ahora hace Spotify que entre sus títulos publicitarios dice “Déjanos entenderte”.

En general la frase de Spotify es lo que significan los sistemas de recomendación, tratar de entender las preferencias de los usuarios para recomendarte algún producto o servicio.

El caso más conocido es el trabajo realizado por dos equipos en el premio de Netflix, los equipos tomaron el nombre de Pragmatic Chaos y ayudaron a mejorar sus sistema de recomendación de la empresa, para más detalles pueden consultar las referencias [1,2,3,4].

Un breve recorrido por la teoría.

Esta información la tomo del curso “Mining of Massive datasets” de la universidad de Stanford, el cual es de libre descarga y la otra fuente recomendables, como ya mencioné, son las notas del curso de la Universidad de Minessota. Dejo esta dos fuentes en las referencias.

La clasificación de los sistemas de recomendación en general son dos:

  • Sistemas basados en contenido
  • Sistemas de Filtro colaborativo, en ingles es “Colaborative-Filtering”

El primero trata de recomendar tomando información del producto , sus propiedades y como este es “similar” a otro. El segundo tipo se basa en entender la relación entre el usuario y los productos.

En general el modelo para los dos tipos de sistemas es considerar una matriz de usuario y productos. Ejemplo, se tienen una lista de películas  y una lista de personas, no todas la películas fueron vistas por todos los usuarios pero más aún a cada usuario se le puede pedir su calificación de la película del 1 al 5. Así se puede ver la calificación de los usarios vs películas, donde las filas son los usuarios y las columnas las películas.

Lo delicado con esta matriz es el llenado, ya que en caso de tener muchos productos y una cantidad mucho menos de usuarios, la matriz estará casi vacía. Así que se debe de definir el tipo de estrategia para identificar o estimar las posibles preferencias de los usuarios con respecto a los productos. Esto da pie a la división en el tipo de sistemas de recomendación.

Por terminar….

1.-http://www.wired.com/2009/09/how-the-netflix-prize-was-won/

2.-http://www2.research.att.com/~volinsky/netflix/bpc.html

3.-http://www2.research.att.com/~volinsky/netflix/

4.-http://www.wired.com/2009/09/bellkors-pragmatic-chaos-wins-1-million-netflix-prize/

5.-https://www.coursera.org/learn/recommender-systems

6.-http://www.netflixprize.com/assets/ProgressPrize2008_BigChaos.pdf

7.-http://grouplens.org/

Anuncios

Responder

Por favor, inicia sesión con uno de estos métodos para publicar tu comentario:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s