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