Bài trình bày của các em thực tập về Slope-One, Go.vn Internship 2012

2. Nội Dung
1. Giới thiệu về Recommendation
2. Giới thiệu về Collaborative Filtering
3. Giới thiệu về Item – Base Filtering
4. Giới thiệu về Slope One
5. Giải thuật Slope One
6. Ví dụ về Slope One
7. Demo chương trình Mahout theo giải thuật
Slope One
4/19/2012 trungnb3535@gmail.com 2

3. 1. Recommendation
 Recommendation là việc dự đoán khuynh
hướng sở thích của con người, được sử dụng
để tìm ra những cái mới, những cái mà
người ta muốn
 Recommendation có hai kiểu:
 Collaborative Filtering
 Content-based Filtering
4/19/2012 trungnb3535@gmail.com 3

4. 2. Collaborative Filtering
Recommender
 Là phương thức đưa ra dự đoán dựa trên sở
thích, hành vi của nhiều User và của User
này trong quá khứ.
 Chúng ta không cần quan tâm đến bản chất
của Item, các thuộc tính của Item. Nhưng
cần một lượng dữ liệu lớn ban đầu để có thể
dự đoán.
 Có 2 nhóm giải thuật:
 User – based recommendation
 Item – based recommendation
4/19/2012 trungnb3535@gmail.com 4

5. 3. Item – based recommendation
 Giải thuật này dự đoán dựa trên sự tương
đồng giữa các Item
 Ví dụ :
Amazon.com mua 1 quyển sách sẽ giới thiệu
một quyển sách tương tự (cùng chủ đề)
Mua một album của BackstreetBoys thì có thể
mua một album khác của BackstreetBoys.
 Quan hệ giữa ratings của các cặp item được
thể hiện qua hàm : y = ax + b
4/19/2012 trungnb3535@gmail.com 5

6. 4. Slope One
 Slope One là một trường hợp đặc biệt của
Item – based recommendation khi hệ số góc
a = 1 (slope one).
 Mối liên hệ giữa 2 item được thể hiện qua
hàm y = x + b, b là độ chênh lệnh trung
bình giá trị ratings của 2 item.
4/19/2012 trungnb3535@gmail.com 6

7. 5. Giải thuật Slope One
1. Tính độ chênh lệch trung bình giữa item đó
với các Item còn lại
2. Tính ra giá trị ratings theo các Item kia
3. Tính giá trị ratings trung bình mà User có
thể đánh giá Item
4/19/2012 trungnb3535@gmail.com 7

8. 6. Ví dụ
User A đánh giá item i là 1, item j là 1.5
User B đánh giá item i là 2
User B sẽ đánh giá item j là bao nhiêu (r)?
Giải
Ta có : b = 1.5 – 1 = 0.5 => r = 2 + 0.5 = 2.5
trungnb3535
4/19/2012 8 @gmail.com

9. Ví dụ khác
4/19/2012 trungnb3535@gmail.com 9

10.  Giá trị Ratings chênh lệch trung bình giữa Item 1 và Item 2 là:b =
(2 + (-1))/2 = 0.5 => Item 1 luôn được đánh giá cao hơn Item 2 một
khoảng 0.5
 Tương tự, giá trị Ratings chênh lệch trung bình giữa Item 1 và Item
3 là : b = 3
 Dựa vào giá trị giá trị b được tính ở trên, ta có thể đưa ra dự đoán
Ratings của 1 User cho 1 Item dựa theo hàm f(x) = x + b
 Ví Dụ : dự đoán đánh giá của Lucy cho Item 1 dựa theo Item 2 thì
là f(2) = 2 + 0.5 = 2.5, dựa theo Item 3 là : f(5) = 5 + 3 = 8
 Giá trị Ratings trung bình theo dự đoán mà Lucy đánh giá Item 1 :
 Do đó, để thực hiện Slope One cho n Item thì cần phải tính toán và
lưu lại các chênh lệch trung bình và số lượng các Ratings chung
cho mỗi cặp trong số n2 cặp Item.
4/19/2012 trungnb3535@gmail.com 10

11. 7. Demo giải thuật Slope One
 Dữ liệu đầu vào :
File dữ liệu có dạng : userId,itemId,ratings
 Đầu ra : các Item gợi ý cho User 1.
4/19/2012 trungnb3535@gmail.com 11

12. 7. Demo giải thuật Slope One
 1,101,5.0  4,101,5.0
 1,102,3.0  4,103,3.0
 1,103,2.5  4,104,4.5
 2,101,2.0  4,106,4.0
 2,102,2.5  5,101,4.0
 2,103,5.0  5,102,3.0
 2,104,2.0  5,103,2.0
 3,101,2.5  5,104,4.0
 3,104,4.0  5,105,3.5
 3,105,4.5  5,106,4.0
 3,107,5.0
4/19/2012 trungnb3535@gmail.com 12

13. Hình 1 : Quan hệ User - Item
4/19/2012 trungnb3535@gmail.com 13

14. User 1
User 2
User 3
User 4
User 5
Item 1 Item 2 Item 3 Item 4 Item 5 Item 6 Item 7
4/19/2012 trungnb3535@gmail.com 14

15. 7. Demo giải thuật Slope One
1. Tính độ chênh lệch trung bình giữa Item 1
và Item 2 :
 1,101,5.0 | 2,101,2.0 | 5,101,4.0
 1,102,3.0 | 2,102,2.5 | 5,102,3.0
b= -2.0 0.5 -1.0
Giá trị trung bình :
btb = (-2.0 + 0.5 – 1.0) 3 = - 0.833
 Tương tự cho các cặp Item còn lại.
4/19/2012 trungnb3535@gmail.com 15

16. 7. Demo giải thuật Slope One
 Từ đó ta có một ma trận Item – Item
4/19/2012 trungnb3535@gmail.com 16

17. 7. Demo giải thuật Slope One
2. Tính giá trị ratings cho Item 4.
y = x + btb
 y14 = x1 + b14 = 5.0 + 0.25 = 5.25
 y24 = x2 + b24 = 3.0 + 0.25 = 3.25
 y34 = x3 + b34 = 2.5 + 0.167 = 2.667
y4 = (5.25 4 + 3.25 2 + 2.667 3) (4 + 2 + 3)
= 3.94
 Tương tự : y5 = 4.75, y6 = 4.2
4/19/2012 trungnb3535@gmail.com 17

18. 7. Demo giải thuật Slope One
 Ta có : y5 > y6 > y4
 gợi ý cho User 1 :
 Item 5
 Item 6
 Item 4
4/19/2012 trungnb3535@gmail.com 18

19. Tài Liệu Tham Khảo
1. Mahout In Action - Sean Owen, Robin Anil, Ted
Dunning, and Ellen Friedman, 2012
2. http://en.wikipedia.org/wiki/Collaborative_filtering
3. http://en.wikipedia.org/wiki/Recommender_system
4/19/2012 trungnb3535@gmail.com 19