Sistema de Recomendación de Películas

Presentación del tema: "Sistema de Recomendación de Películas"— Transcripción de la presentación:

1 Sistema de Recomendación de Películas
Usando el dataset de Netflix

2 Agenda Introducción Análisis del dataset de Netflix
Sistema de Recomendación de Películas Agenda Informe de Materia de Graduación Introducción Análisis del dataset de Netflix Algoritmos de Filtrado Colaborativo Modelo MapReduce Análisis de Resultados Conclusiones Recomendaciones

3 Introducción Sistemas de Recomendación Sobrecarga de la información
Sistema de Recomendación de Películas Introducción Informe de Materia de Graduación Sistemas de Recomendación Sobrecarga de la información Constante crecimiento de Internet “El objetivo de un Sistema de Recomendación es generar sugerencias de nuevos ítems o predecir la utilidad de un ítem específico para un usuario particular.” Recomendación Predicción Datos de contenido Datos demográficos Ratings Basado en contenido Filtrado Colaborativo Híbrido Entradas Sistema de Recomendación Salidas

4 Análisis del dataset de Netflix
Sistema de Recomendación de Películas Análisis del dataset de Netflix Informe de Materia de Graduación

5 Algoritmos de Filtrado Colaborativo
Sistema de Recomendación de Películas Algoritmos de Filtrado Colaborativo Informe de Materia de Graduación ¿Cuál es el objetivo de un algoritmo de filtrado colaborativo? Formas básicas de algoritmos de filtrado colaborativo. Filtrado colaborativo basado en usuarios Filtrado colaborativo basado en ítems Coeficiente de Correlación de Pearson. Coseno. Coseno Ajustado.

6 Sistema de Recomendación de Películas
Modelo MapReduce Informe de Materia de Graduación M/R #1: Cuenta el número de puntuaciones para cada ítem. 6 M/R #4: Para cada item, identifica los 6 items más similares (U, (I,R)) [(I1, 1), (I2, 1), …] (I, [1, 1, …]) [(I, C)]

7 Análisis de Resultados
Sistema de Recomendación de Películas Análisis de Resultados Informe de Materia de Graduación Se utilizó la película Ghost para probar la exactitud de los resultados de la Matriz de Similitudes. Película 1 Película 2 Similitud Ghost Pretty Woman 0.3458 Sister Act 0.3364 Dirty Dancing 0.3226 Titanic 0.283 What Women Want 0.2751 Mrs. Doubtfire 0.2637 Película Puntuación real Puntuación estimada Pretty Woman 5 4,08250 Sister Act 3 3,56380 Dirty Dancing 4,14410 Titanic 4,07080 What Women Want 3,48420 Mrs. Doubtfire 4 Tabla I. Ghost y sus 6 películas más similares. Tabla II. Puntuaciones Reales vs. Estimadas.

8 Sistema de Recomendación de Películas
Conclusiones Informe de Materia de Graduación El paradigma MapReduce es apropiado para dar solución a los problemas que los sistemas de recomendación presentan. Para obtener recomendaciones más exactas, podría utilizarse características como categoría, actores, etc., además de las puntuaciones de las películas. Al evaluar los resultados del algoritmo de Filtrado Colaborativo mediante el Error Medio Absoluto, se demostró que las predicciones calculadas son bastante cercanas a las reales.

9 Sistema de Recomendación de Películas
Recomendaciones Informe de Materia de Graduación Se recomienda emplear técnicas de reducción de dispersión en el proceso de generar recomendaciones. Para pre-calcular la matriz de similitudes entre ítems, es recomendable el uso de un computador con buena capacidad de procesamiento y memoria. Para generar predicciones más exactas, incluir en el análisis datos sobre las preferencias de los usuarios e información sobre las películas.

10 ¡GRACIAS! Sistema de Recomendación de Películas
Informe de Materia de Graduación ¡GRACIAS!