Sistemas de recomendacion

Sistemas de Recomendación Reseach Q1 2012

1   Mauricio  Olguin  

La recomendación

“We are leaving the age of information and entering the age of recommendation” Chris Anderson, en The Long Tail

2  

Agenda

•  Sistemas de Recomendación •  Filtrado Colaborativo •  Reglas de Asociación •  Aplicaciones

3  

SISTEMAS DE RECOMENDACIÓN

4  

Competing on Analytics:

5  

The  New  Science  of  Winning.  Thomas  Davenport    

“La clave de nuestro éxito es adaptar nuestro WebSite al gusto de cada individuo” Reed Hastings.

6  

Amazon

20% - 30% de las ventas de Amazon provienen de recomendaciones Jeff Bezos

7  

Amazon

Enfoque customer-centric Obsesión por la experiencia de usuario.

8  

Amazon

9  

Netflix

10  

Netflix

11  

Visitas, Interacciones, Transacciones.

12  

Conversiones

13  

Sistemas de recomendación

Descubren en forma automática propiedades y/o proyectos que son de interés para un usuario Aplicaciones:

–Comercio electrónico, Buscadores, Web 2.0, Marketing Personalizado, etc. –Items: Propiedades, Proyectos, Imágenes, Páginas Web, etc.

14  

Efectos de red

La ley de Metcalfe: valor de una red = ususarios2

15  

Aplicable a Teléfonos Faxes Sistemas Operativos Aplicaciones Redes sociales

Algunos ejemplos

•  Amazon •  Amie Street •  Barnes and Noble •  Barilliance •  Digg.com •  StumbleUpon •  iTunes-music •  Last.fm-music •  Netflix •  Strands.com •  Threadless

16  

Beneficios

•  Predecir cuanto gustará el producto/servicio.

•  Ofrecer una lista de N mejores items. •  Ofrecer una lista de N mejores usuarios

para un cierto producto/servicio. •  Explicar porque esos items son

recomendados para el usuario. •  Ajustar la predicción y recomendación

basada en el feedback de otras personas.

17  

Estratégias a seguir

•  Basado en contenido: Análisis del contenido de los ítemes Ejemplo: buscadores Web en sus inicios

•  Basados en Demografía

Análisis de atributos demográficos de los usuarios

•  Basados en lo Social: Filtrado colaborativo

Análisis de las preferencias de los usuarios Ejemplo: Netflix, Amazon

•  Basado en Reglas de Asociacón

18  

Netflix precio

Filtrado colaborativo

19  

Segun contenidos

20  

Según demografía

21  

Según otros tipos de info

22  

FILTRADO COLABORATIVO

23  

Filtrado colaborativo

Basado en Afinidad de Usuarios

Basado en Afinidad de Items(Item-to-Item)

24  

REGLAS DE ASOCIACIÓN

25  

Extracción de Asociaciones

•Dado un conjunto de transacciones, encontrar reglas interesantes, es decir, que permitan predecir la ocurrencia de

un ítem en base a la ocurrencia de otros ítemes.

26  

Calculo de Recomendaciones

•  Extraer reglas de asociación desde BD histórica

•  Buscar reglas cuyo antecedente se cumple en el contexto, preferencias, contenido, demografía, etc. del usuario activo

•  Recomendar ítems que aparecen en el consecuente de la regla

27  

Próximos pasos

“Hasta hace poco, estos sistemas parecían estar reservados a grupos y empresas con grandes recursos, como Amazon, Netflix, y Apple iTunes. Sin embargo, la proliferación de productos y servicios han abaratado el acceso a estas tecnologías y servicios, lo que permite que negocios de menor tamaño y escala puedan disponer de este tipo de funcionalidad sin riesgo de pérdidas, y sin invertir demasiado dinero y esfuerzo.”

Jesús A. Pindado, Strands Recommender

28  

GRACIAS

Mauricio Olguin

29