• Nie Znaleziono Wyników

Modelowanie i analiza sieci złożonych XIII. Systemy rekomendacyjne.

N/A
N/A
Protected

Academic year: 2021

Share "Modelowanie i analiza sieci złożonych XIII. Systemy rekomendacyjne."

Copied!
9
0
0

Pełen tekst

(1)

Modelowanie i analiza sieci złożonych

XIII. Systemy rekomendacyjne.

Grzegorz Siudem

Politechnika Warszawska

(2)

MASZ 1

(3)

Wykład

(4)

Systemy rekomendacyjne

Czym są?

• to algorytmy i techniki probujące przewidzieć czego chce użytkownik.

• poszukujemy najlepiej dopasowanych par użytkownik-rzecz.

• optymalna krawędź w grafie dwudzielnym?

Rozróżniamy podejścia:

• bazujące na historycznych wyborach wszystkich uzytkowników (ang. Collaborative Filtering),

• bazujące na cechach użytkownika i produktu (ang.

Content-based recommending),

• mieszane (ang. Hybrid approaches).

Polecam lekturę http://www.prem-melville.com/

publications/recommender-systems-eml2010.pdf

MASZ 2

(5)

Systemy rekomendacyjne – sformułowanie problemu

MASZ 3

(6)

Collaborative Filtering

Metody typu Collaborative Filtering dodatkowo dzielimy na

• neighborhood-based, gdzie poszukujemy użytkowników podobnych do analizowanego, a następnie na podstawie ich wyborów opracowujemy predykcję według schematu:

• Obliczamy wagi dla każdego użytkownika zgodnie z ich

podobieństwem (mierzonym np. współczynnikiem Pearsona albo Spearmana albo Kendalla albo błędem średniokwadratowym, etc.) do wybranego użytkownika.

• Wybieramy k najbliższych sąsiadów.

• Predykcję otrzymujemy jako ważoną średnią odpowiedzi sąsiadów.

• model-based, w którym estymujemy parametry modelu charakteryzującego użytkowników, a rekomendację przeprowadzamy w oparciu o model.

MASZ 4

(7)

Content-based Recommending

Metody typu Content-based Recommending to problem klasyfikacji, a zatem możemy wykorzystać

• naiwne klasyfikatory Bayesowskie,

• algorytm k-najbliższych sąsiadów,

• drzewa decyzyjne,

• sieci neuronowe,

• etc.

MASZ 5

(8)

Dziękuję za uwagę!

MASZ 5

(9)

MASZ 6

Cytaty

Powiązane dokumenty

• dodanie krawędzi nie zmienia preferencji układu (dynamika synchroniczna, wspomnienie po średnim polu),?. • dopuszczamy

P7.3 Sprawdź symulacyjnie powyższy wynik rysując wykres rozmiaru największego klastra w funkcji ⟨k⟩ =

• grupa osób sprawująca władzę, zwłaszcza w Kościołach!. Oba mogą mieć

Komunikowanie się jest relacją równoważności (symetryczną, zwrotną i przechodnią), dzieli więc wszystkie stany procesu Markowa na klasy abstrakcji - klasy stanów komunikujące

Wyznacz dynamicznie (wykonując iteracje operatora Markowa) wartości gęstości ergodycznej dla wybranej sieci..

Modelowanie i analiza sieci

P11.4 Zmodyfikuj klasyczny voter model, żeby uwzględniał dodatkowe efekty (np. propagandę, ”zacietrzewienie” agentów, etc.).. Dziękuję

Państwa zadaniem jest przygotowanie infografiki zawierającej najciekawsze Państwa zdaniem wnioski z analizy wyników zadania P12.1.. Dziękuję