A recommendation engine for your applications

1. Machine Learning Primer suggerisci ai tuoi utenti cosa comprare Francesco Fullone  ff@ideato.it

2. vogliamo suggerire alle persone cosa comprare…

3. vogliamo un bot   che suggerisca alle persone cosa comprare!

4. vogliamo un bot   che suggerisca alle persone cosa comprare! un bot

5. vogliamo un bot   che suggerisca alle persone cosa comprare! un bot

6. un bot

7. un bot

8. che SISTEMA DI RACCOMANDAZIONE usare?

9. Facciamo un passo indietro…

10. Motori di ricerca Fonte dati statica (anche se ampia), query dinamiche

11. Motori di suggerimenti Fonte dati dinamica (ma su un dominio preciso), query statiche

12. Non personalizzati Content-Based Filtraggio Collaborativo Motori di suggerimenti

13. Non personalizzati

19. Hotel A Hotel B Hotel C John 3 5 Jane 3 Fred 1 0 Tom 4 AVG 3.5 3 0 Non personalizzati

20. Content-Based

21. Gli utenti votano item (ﬁlm, libri, …) Noi costruiamo un modello sui gusti degli utenti Cerchiamo per item simili basandoci sul modello creato Content-Based

22. 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 Content-Based

23. Problemi/Limitazioni

24. 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 Content-Based

25. Filtraggio Collaborativo

26. User-User Seleziono persone con gusti simili a me. Se altri utenti condividono i miei gusti, voglio conoscere la loro opinione. Filtraggio Collaborativo

27. Item-Item Cerco item su cui ho espresso una mia opinione e la confronto con quella degli altri utenti. Filtraggio Collaborativo

28. Problemi/ Limitazioni

29. Sparsità In un set ampio di item, solo alcuni di questi saranno votati da utenti

30. User Cold start Non si conosce abbastanza di un nuovo utente per dargli suggerimenti efﬁcaci

31. 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]

32. Scalabilità All’aumentare del numero dei rating il costo di aggiornamento diventa computazionalmente molto alto

33. Un esempio

34. 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?

35. 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

36. 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

37. Similarity Joe Vs Bob 1.57 Alice 0.33 Tom 0.18 D = 1 / (1 + d)  [normalizziamo per semplicità]

38. 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

39. 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

40. 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.

41. il nostro case study

42. e-commerce di libri sia digitali che cartacei, carrelli separati, diverse tipologie categorie di prodotti

43. Raccomandare titoli (nuovi e vecchi) - Chi ha comprato X ha comprato anche Y - Ti potrebbe interessare

44. PredictionIO

45. L’event server

46. 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

47. Modellazione degli Eventi cosa dovremmo modellare? rating, like, acquisto, visita, in base al tipo di algoritmo scelto

48. Engines

49. Implementazione

50. Due tipi di suggerimenti - chi ha comprato X ha comprato anche… (raccomandazione) - Ti potrebbe anche interessare (similitudine)

51. I nostri eventi

52. Vista Like (aggiunta al carrello o alla wishlist) Conversione (acquisto)

53. La nostra implementazione

54. 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

55. 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

56. Fine?

57. No, c’è di più…

58. https://neo4j.com/developer/guide-build-a-recommendation-engine/

59. Prossima release

60. suggerimenti sui comportamenti degli utenti ie. tracking della navigazione ie. suggerimenti basati sul contesto/contenuto

61. email personalizzate sui gusti degli utenti [ e nuovi eventi correlati ai click su email ]

62. suggerimenti/offerte su item presenti sui carrelli abbandonati

63. chatbot per suggerire nuovi titoli

64. Recommendation as a Service http://raas.ideato.it

65. Links Recommendation as a Service - http://raas.ideato.it Altri link http://actionml.com/ https://github.com/grahamjenson/ger http://www.emailvendorselection.com/recommendation-engines-for-email-marketing/ https://www.coursera.org/learn/recommender-systems-introduction https://blog.mozilla.org/ux/2014/04/the-experience-of-mind-reading/ https://www.analyticsvidhya.com/blog/2015/08/beginners-guide-learn-content-based-recommender-systems/ https://www.analyticsvidhya.com/blog/2015/08/beginners-guide-learn-content-based-recommender-systems/ www.slideshare.net/treygrainger/building-a-real-time-solrpowered-recommendation-engine http://www.slideshare.net/NYCPredictiveAnalytics/building-a-recommendation-engine-an-example-of-a-product-recommendation-engine? next_slideshow=1

66. mi chiamo   Francesco Fullone e sono il CEO di fullo / ideato fullo / ideatosrl ff@ideato.it

A recommendation engine for your applications

Esté a ler uma amostra.

Confira estes a seguir

A recommendation engine for your applications

Mais Conteúdo rRelacionado

Mais de Francesco Fullone (20)

Mais recentes (20)