Prezentácia o odporúčači sme.sk/cocitat a trendoch v odporúčacích systémoch na aprílovom Web Analytics Wednesday.

1. Odporúčacie systémy
a služba sme.sk - čo čítať
JÁN SUCHAL
@jsuchal, FIIT STU

2. Odporúčacie systémy

3. Odporúčanie produktov

4. Odporúčanie produktov (2)

5. Personalizované odporúčanie produktov

6. Odporúčanie článkov

7. Odporúčanie článkov (2)

8. Personalizované odporúčanie článkov

9. Výzvy odporúčania
 Byť lepší ako TOP10 odporúčač
 Veľká závislosť na doméne
 Nie je nič staršie ako včerajšie noviny.
 Chcem kvalitný, časom a ľudmi overený produkt.
 Trénovanie odporúčacích algoritmov
 predikcia vs. odporúčanie
 Čo je to vlastne dobré odporúčanie?
 komu, čo, kedy?
 Spätná analýza rozhodujúcich faktorov
 lepšie produkty/obsah/služby

10. Obsahové vs. Kolaboratívne odporúčanie
 Podobný obsah vs. Podobní ľudia
 Obsahové
 podobné klúčové slová, názvy, texty
 rovnaký autor, režisér, herec, skladateľ
 rovnaká téma, kategória, cena, farba, materiál
 ...
 Kolaboratívne
 podobné záujmy (hunch)
 rovnakí priatelia (facebook, foaf), followeri (twitter)
 ...

11. Služba sme.sk čo čítať
 Vstupné dáta
 logy = 1+M klikov denne
 metadáta k článku
 logy od/kliknutí na odporúčania
 Kolaboratívny prístup
 k-najbližších susedov
 váhovanie článkov/používateľov
 implicitná negatívna spätná väzba
 Vyhodnotenie
 syntetické testovanie
 CTR + RR (rejection rate)

12. Implicitná negatívna spätná väzba
 Krátke návštevy článkov
 návštevník článok “číta” len zopár sekúnd
 identifikácia z logov
 problém: taby
 “Negatívne návštevy článkov”
 nezáujem o články na titulke
 identifikácia z logov na základe času a top-N v danom čase
 problém: hranica medzi videl a nechcel vs. prehliadol
Inšpirácia z vyhľadávania: Filip Radlinski , Thorsten Joachims. Query chains: learning to rank from implicit feedback.

13. Testovanie
 Algoritmy
 k-najbližších susedov (základ)
 odfiltrovanie negatívnych návštev
 odfiltrovanie krátkych návštev k-najbližších susedov
 k-najbližších susedov z krátkych návštev
 Syntetické testovanie
 klasický ML prístup (trénovacia a testovacia množina)
 ladenie parametrov
 A/B testovanie
 viac algoritmov súčasne * ~10 rôznych nastavení
 meranie CTR a RR

14. Budúcnosť sme.sk čo čítať
 Meranie času/aktivity na článku
 rieši problém tabov
 lepšie vyhodnotenie
 Hybridný prístup
 pridať obsahové odporúčanie
 metadáta k článkom (téma, typ, autor)
 externé metadáta (FB likes, témy, geo)
 Dlhodobé záujmy (model používateľa)
 preferencie
 GUI a UX

15. Trendy v odporúčacích systémoch
 Skupinové odporúčania
 filmy, podujatia, podniky
 Odporúčanie zo “social buzz”
 FB, twitter, media
 Otváranie používateľského modelu
 Čo si o mne systém myslí? Ako to zmením?
 Vysvetľovanie dôvodu odporúčania