C4 sistema de recomendacion basado en pso
Descargar como PPTX, PDF0 recomendaciones465 vistas
Este documento describe un sistema de recomendación basado en el algoritmo de optimización por enjambre de partículas (PSO). Genera perfiles de usuarios y libros a partir de datos de votos. Selecciona aleatoriamente usuarios para la vecindad. Estimar votos usando la experiencia personal del usuario, la experiencia de la vecindad y factores de ponderación. Entrena el sistema usando PSO para ajustar los factores basados en la correlación entre los votos reales y estimados de los usuarios.
C4 sistema de recomendacion basado en pso
- 1. Sistema de recomendación basado en PSO Ignacio Salas Donoso Ing. Civil Informática, UTFSM
- 2. Temario • Generación de Perfiles • Selección de la Vecindad • Generación de las Recomendaciones • Entrenamiento del sistema de recomendación • Conclusión 2
- 3. Generación de Perfiles Se busca reconocer y separar los datos de los usuarios, en un formato que el sistema pueda utilizar. BD Book Crossing ISBN ISBN Usuarios ID U1 • Voto 1 … • Voto n Votos … … … … ISBN ISBN Libros ID Um • Voto 1 … • Voto n 3
- 4. Selección de la vecindad Se eligen aleatoriamente una cantidad de usuarios para componer la vecindad Se ocupan todos para el proceso posterior, sin importar que la distancia con el usuario objetivo sea muy pequeña Con esto se busca permitir un mayor grado de diversidad
- 5. Generación de las Recomendaciones Función de estimación del voto de Breese Experiencia Voto personal del Experiencia de la Vecindad estimado Usuario
- 6. Generación de las Recomendaciones Función de estimación del voto de Breese Desviación ponderada de Voto promedio los votos de la del usuario vecindad objetivo Medida de similitud entre Factor de normalización de la los usuarios medida de similitud
- 7. Generación de las Recomendaciones Nueva función de estimación del voto Experiencia personal del Usuario Desviación Promedio de Voto Estándar de Experiencia de la votos del estimado los votos del Vecindad usuario Usuario
- 8. Generación de las Recomendaciones Nueva función de estimación del voto Desviación Desviación Voto promedio ponderada de Estándar del del usuario los votos de la usuario objetivo vecindad objetivo y son factores que ponderan la desviación estándar, como la desviación ponderada de la vecindad Factor de normalización de la Medida de medida de similitud similitud entre los usuarios
- 9. Entrenamiento del Sistema de Recomendaciones Función de relación entre usuarios Coeficiente de correlación de Pearson Voto del Voto usuario a por promedio del el ítem i usuario a
- 10. Entrenamiento del Sistema de Recomendaciones Algoritmo PSO Dinámica de partículas Velocidad Velocidad Experiencia Experiencia Nueva Actual personal grupal Posición Velocidad Posición Nueva Nueva Actual Vector de 2 dimensiones, que contiene los valores de k0 y k1
- 11. Entrenamiento del Sistema de Recomendaciones Algoritmo PSO Ítems evaluados por Dinámica de partículas el usuario objetivo Experiencia personal Grupo de Entrenamiento El pBest es calculado con la información del grupo de entrenamiento Grupo de Validación Experiencia grupal Grupo de Prueba El gBest es calculado con la información del grupo de validación
- 12. Entrenamiento del Sistema de Recomendaciones Algoritmo PSO Fitness Fitness Voto Voto real parcial estimado Fitness Cantidad de Fitness parcial ítems
- 13. Entrenamiento del Sistema de Recomendaciones Algoritmo PSO Para cada usuario Mientras no se alcance la cantidad de iteraciones Para cada partícula Actualizar posición y velocidad Calcular pBest Calcular gBest partícula Almacenar factores k0 y k1 para el usuario, obtenidos del gBest
- 14. Conclusión Al momento de seleccionar la vecindad se aceptó que hubiesen usuarios con poca correlación, con el fin de agregar algo de diversidad Agregar la desviación estándar a la función de Breese, busca dar un soporte cuando no haya una vecindad que aporte suficiente información Para establecer que tipo de información influye más para cada usuario, se incluyeron los factores k0 y k1 Los factores k0 y k1 fueron ajustados con el algoritmo PSO, siendo la posición de cada partícula los valores que minimizan el Fitness 14