A recommendation engine for your applications
•
1 like•332 views
how does a recommendation engine work? In this talk I'll introduce machine learning basics and explore some nice case studies
Recommended
More Related Content
More from Francesco Fullone
More from Francesco Fullone (20)
A recommendation engine for your applications
- 1. Il Machine Learning per la creazione di raccomandazioni, personalizzazioni e suggerimenti dei prodotti per il vostro e-commerce Francesco Fullone | ideato
- 5. vogliamo un bot che suggerisca alle persone cosa comprare!
- 6. vogliamo un bot che suggerisca alle persone cosa comprare! un bot
- 7. vogliamo un bot che suggerisca alle persone cosa comprare! un bot
- 8. un bot
- 9. un bot
- 10. che SISTEMA DI RACCOMANDAZIONE usare?
- 11. Facciamo un passo indietro…
- 12. Motori di ricerca Fonte dati statica (anche se ampia), query dinamiche
- 13. Motori di suggerimenti Fonte dati dinamica (ma su un dominio preciso), query statiche
- 14. Non personalizzati Content-Based Filtraggio Collaborativo Motori di suggerimenti
- 22. Hotel A Hotel B Hotel C John 3 5 Jane 3 Fred 1 0 Tom 4 AVG 3.5 3 0
- 23. Content-Based
- 24. Gli utenti votano item (film, libri, …) Noi costruiamo un modello sui gusti degli utenti Cerchiamo per item simili basandoci sul modello creato
- 25. Action 0.7 Sci Fi 3.2 Vin Diesel 1.2 … … Title Star Trek Genre Sci Fi Actors William Shatner LeonardNimoy User Model Title XXX Genre Action Actors Vin Diesel Asia Argento Title Kick Ass Genre Action Actors Nicholas Cage Mark Strong
- 27. Bisogna conoscere il contenuto degli item Cold start per gli utenti: è necessario molto tempo per conoscere i gusti di tutti gli utenti Cosa succede se i gusti cambiano? Si perde l’effetto serendipity
- 29. User-User Seleziono persone con gusti simili a me. Se altri utenti condividono i miei gusti, voglio conoscere la loro opinione.
- 30. Item-Item Cerco item su cui ho espresso una mia opinione e la confronto con quella degli altri utenti.
- 32. Sparsità In un set ampio di item, solo alcuni di questi saranno votati da utenti
- 33. User Cold start Non si conosce abbastanza di un nuovo utente per dargli suggerimenti efficaci
- 34. Item cold start Non si può predire il rating di nuove item finché gli utenti non le voteranno [Non è un problema per i rating content- based]
- 35. Scalabilità All’aumentare del numero dei rating il costo di aggiornamento diventa computazionalmente molto alto
- 36. Un esempio
- 37. Item1 Item2 Item3 Item4 Item5 Joe 8 1 ? 2 7 Tom 2 ? 5 7 5 Alice 5 4 7 4 7 Bob 7 1 7 3 8 Joe e Tom quanto sono simili? Joe e Bob quanto sono simili?
- 38. Consideriamo solo gli item votati da entrambi Per ogni item - Calcoliamo la differenza di rating - Estrapoliamo la media tra tutte le differenze degli item votati Item1 Item2 Item3 Item4 Item5 Joe 8 1 ? 2 7 Tom 2 ? 5 7 5 Alice 5 4 7 4 7 Bob 7 1 7 3 8
- 39. Sim(Joe, Tom) = (|8-2| + |2-7| + |7-5|)/3 = 13/3 = 4.3 Sim(Joe, Alice) = (|8-5| + |1-4| + |2-4| + |7-7|)/4 = 2 Sim(Joe, Bob) = (|8-7| + |1-1| + |2-3| + |7-8|)/4 = 0.75 Item1 Item2 Item3 Item4 Item5 Joe 8 1 ? 2 7 Tom 2 ? 5 7 5 Alice 5 4 7 4 7 Bob 7 1 7 3 8
- 40. Similarity Joe Vs Bob 1.57 Alice 0.33 Tom 0.18 D = 1 / (1 + d) [normalizziamo per semplicità]
- 41. Raccomandiamo gli item a cui utenti simili hanno dato un voto alto Per calcolare il rating di un oggetto da raccomandare dobbiamo fase una somma pesata sull’indice di similitudine tra gli utenti
- 42. Rating(Joe, Item3) = (1.57 * 7 + 0.33 * 7 + 0.18 * 5) / 3 10.99 + 2.31 + 0.9 / 3 = 4.3 Similarity Joe Vs Item 3 Bob 1.57 7 Alice 0.33 7 Tom 0.18 5
- 43. possiamo calcolare il rating su tutta la matrice di dati OPPURE usare un algoritmo K-nn (o nearest neighbours): cioè su un sottoinsieme di utenti con gusti simili ai miei.
- 44. il nostro case study
- 45. e-commerce di libri sia digitali che cartacei, carrelli separati, diverse tipologie categorie di prodotti
- 46. Raccomandare titoli (nuovi e vecchi) - Chi ha comprato X ha comprato anche Y - Ti potrebbe interessare
- 47. PredictionIO
- 49. L’event server
- 51. Pattern: utente -- azione -- item User 1 ha comprato il prodotto X User 2 ha visto il prodotto Y User 1 ha aggiunto il prodotto Z nel carrello
- 52. Modellazione degli Eventi cosa dovremmo modellare? rating, like, acquisto, visita, in base al tipo di algoritmo scelto
- 53. Engines
- 55. Implementazione
- 57. Due tipi di suggerimenti - chi ha comprato X ha comprato anche… (raccomandazione) - Ti potrebbe anche interessare (similitudine)
- 58. I nostri eventi
- 59. Vista Like (aggiunta al carrello o alla wishlist) Conversione (acquisto)
- 61. 4 engines 2 per i libri, 2 per gli ebooks Training ogni notte dell’algoritmo Registrazione degli eventi in batch per evitare lentezza del sistema
- 63. Cold start se non abbiamo un numero sufficiente di suggerimenti il sistema passa in automatico ad un motore di suggerimenti non personalizzati (anche per utenti anonimi): ie. mostrando solo i Best Sellers
- 66. Fine?
- 67. No, c’è di più…
- 72. Prossima release
- 73. suggerimenti sui comportamenti degli utenti ie. tracking della navigazione ie. suggerimenti basati sul contesto/contenuto
- 74. email personalizzate sui gusti degli utenti [ e nuovi eventi correlati ai click su email ]
- 75. suggerimenti/offerte su item presenti sui carrelli abbandonati
- 78. mi chiamo Francesco Fullone e sono il CEO di fullo fullo / ideatosrl ff@ideato.it