C. Recommendation Systems.md

CTR - Click Through Rate: rapporto tra click e impressioni.

Introduzione

Un recommendation system è basato su un recommendation engine, che sfrutta un modello matematico (o una funzione obiettivo) per predirre quanto all'utente potrebbe piacere un elemento. Si possono prevedere: rating, preference, utilità, etc.

Appaiono due attori:

• utenti
• elementi da consigliare

Categorie di approcci:

• user-based collaborative filtering
• content-based filtering
• hybrid RS

User-based Collaborative filtering

Metodi basati sulla profilazione degli utenti. Analizzando grandi quantità di dati, comportamenti e attività o preferenze, si riesce a prevere cosa vorranno utenti simili.

Punti chiave:

• dato un utente, identificare quali altri utenti sono simili (preferenze, comportamento, etc). La similarità può essere calcolata con Pearson correlation coefficient e similarity, oppure relazioni tra gli utenti (eg. in social).
• identificati gli utenti simili, si consigliano elementi di cui non hanno avuto esperienza, ma che potrebbero interessargli

Non necessita conoscenza sugli elementi.

User-Rating Matrix

La coordinata $R_{u,i}$ identifica il rating (frequenza, preferenza, etc.) dell'utente $u$ rispetto all'elemento $i$.

Mantiene in memoria le vecchie interazioni degli utenti, per fare predizioni sull'utilizzo futuro. Lavora sotto l'assunzione che utenti che hanno interagito con articoli simili in passato continueranno a farlo in futuro.

Problema: cold start

Content-based filtering

Basati su descrizione degli elementi, profilo di preferenze dell'utente.

Deve estrarre un set di features dagli elementi per riuscire a calcolarne una similarità. Spesso si usa una bag of keywords.

La similarità viene calcolata con le tecniche viste sopra sugli item, non più sugli utenti.

Problema: feature extraction

Item-Content Matrix

La matrice ICM è una matriche che, nella sua versione binaria, mantiene in $F_{i,f}$ il valore 1 per la feature $f$ relativa all'elemento $i$.

Ad un utente piaceranno elementi simili ai quelli che gli sono piaciuti in passato.

Possibili semplificazioni:

• calcolare similarità aggreate per utenti simili tra loro
• proporre item dall'aggregazione delle features verso cui l'utente ha mostrato interesse

Hybrid systems

I sistemi di recommendation ibridi combinano i rank di user-based CF e content-based F. Possono risolvere problemi come il cold-start.

Complex Real Systems

Tecniche

• Matrix factorization: decomposizione di user-rating matrix o item-content matrix per evidenziare dati latenti/pattern nascosti. Può fare predizioni su entry mancanti.
• Deep learning
• Session-based recommendations: raccomandazion in base alla sessione passata dell'utente
• Temporal Dynamics: suggerimenti che prendono in considerazioni la temporalità della vasita alla piattaforma (ora del giorno, giorno della settimana, etc.). Ad esempio, di notte non vorrò ordinare un cappuccino.
• A/B Testing: experimental testing of website by deploying two different versions of the website to two different user groups. The outcome of the experiment is determined based on predetermined objectives of KPI - Key Performance Indicator.

#Nota inserisci un recommendation system nel progetto