Jaime Leonerys Carranza Cedeo

Miguel Armando Ortiz Caarte

Sistemas de Recomendaciones
Un sistema de recomendaciones es un tipo especfico
de filtro de informacin que sugiere a los usuarios
tems o productos concretos basndose en sus
preferencias
Ejemplos de Sistemas de
Recomendaciones

iTunes
Pandora
Last.fm
Facebook
Snooth

Componentes
Usuarios
Perfiles
Recomendadores
Valoracin

Mecanismos de Retroalimentacin
Explcita: Cuando se aplica la recomendacin explcita,
el sistema otorga al usuario la oportunidad de calificar,
dentro de un rango predefinido, los tems que ha
utilizado
Implcita: El sistema obtiene retroalimentacin
implcita capturando la interaccin del usuario sin que
l lo note.
Mtodos de Recomendacin
Recomendacin colaborativa
Recomendacin basada en contenido
Recomendacin basada en demografa
Recomendacin basada en utilidad
Recomendacin basada en conocimiento

Recomendacin Basada en
Contenido
En este caso la recomendaciones son hechas
exclusivamente en base a los tems que el usuario ha
elegido en el pasado.

Recomendacin Colaborativa
Cuando se aplica recomendacin colaborativa, las
recomendaciones son hechas exclusivamente en base a
los usuarios con gustos similares.
Hay sistemas que aplican ms de un mtodo de
recomendacin:
FAB
SELECT
Desventajas de la Recomendacin
Basada en Contenido
Se hace un anlisis automtico de los tems,
considerando atributos predefinidos pero se deja de
lado otros atributos relevantes.
Las sugerencias son hechas en funcin del historial de
tems elegidos por el usuario, por lo tanto el usuario
slo puede recibir recomendaciones que concuerden
con su perfil
Desventajas de la Recomendacin
Colaborativa
Cuando un nuevo tem se aade al sistema, como no
ha sido evaluado por ningn usuario, no hay forma de
recomendarlo.
Si un usuario particular no se identifica con los gustos
de ningn otro usuario del sistema, no es factible
hallar vecinos cercanos, y por lo tanto hacer
recomendaciones.
Se requiere un mnimo de usuarios para elaborar las
predicciones
Ventajas de Recomendacin Colaborativa sobre
Basada en Contenido
En la recomendacin colaborativa, los usuarios
utilizan sus criterios para evaluar los tems, cubriendo
as ms caractersticas de los tems que evalan.
En recomendacin colaborativa es posible que el
usuario reciba recomendaciones que no se alineen a su
perfil (pero s a sus gustos).
Algoritmos de Recomendacin
Colaborativa

Los algoritmos de recomendacin colaborativa se
basan en el producto punto entre dos vectores y en las
frmulas de correlacin .
Producto Punto
cos u v u v
Producto Punto
Cuando es cero, los vectores apuntan en la misma
direccin. As, para valores de cercanos a cero, los
vectores tienden a apuntar en la misma direccin.

Producto Punto
Ejemplo:

%
tems
Usuario A B C D F
1 4 5 0 0 0
2 5 6 0 5 0
3 5 0 4 0 8
4 0 0 5 0 0
Correlacin
El coeficiente de correlacin de Pearson mide la
relacin lineal entre dos variables cuantitativas.



, ,
1
,
m
u i v i
u v i
u v
r r r r
sim u v

Algoritmos de Recomendacin
Basado en Usuario

Similitud


Recomendacin

,
i j
i j
i j
u u
Sim u u
u u

,
1
1
,
,
,
k
n
u i k
k
n
k
k
r Sim a u
p
a i
Sim a u

Algoritmos de Recomendacin
Basado en Usuario
Con la aplicacin de la frmula anterior para cada par
de usuarios del sistema se genera una matriz de
similitud. Por ejemplo, si la primera fila de la matriz de
similitud contiene la siguiente informacin:

u1: 0.5 u2 | 0.3 u3 | 0.2 u4 | 0.6 u7 | 0.9 u8
Algoritmos de Recomendacin
Basado en tems

El principio es el mismo que en el caso de las
recomendaciones basadas en usuario, la diferencia es
que en este caso buscamos similitudes entre tems en
lugar de buscar similitudes entre usuarios.
Anlisis de Algoritmos

En general, para un dataset con n usuarios y m tems,
para cada usuario se deben realizar n-1 comparaciones,
en total n(n-1). En el peor de los casos cada
comparacin implica m operaciones. As, el tiempo de
ejecucin es del orden de mn
2
.