1

Система коллаборативных рекомендаций туристических

достопримечательностей

Манаев Дмитрий Сергеевич, 545 группа

Научный руководитель:к.ф.-м.н., доцент каф. Информатики

Д.Ю. БугайченкоРецензент:

ст.преп. каф. Системного Программирования Н.A. Зонова

2

Цели работы

• Помочь пользователям запланировать путешествие , рекомендуя наиболее релевантные им туристические достопримечательности (места)

• Сервисы– Yelp– Facebook– Google Places

3

Описание сервисов

• Yelp, Facebook, TripAdvisor – много полезной информации, нет алгоритмов рекомендаций

• Foursquare – простые рекомендации по чекинам друзей

• Google Places - копия Yelp, рекомендации:– Социальный с Google +, мало используемая соц.

cеть, лучше Facebook и Twitter– По содержанию, на основе тэгов привязанных к

местам, громоздкий и не точный, не находит похожих “местных”

4

Постановка задач

• Проанализировать существующие решения и подходы к рекомендациям

• Провести анализ схожести – предложить подход к решению – построить матрицы схожести для пользователей и мест

• Реализовать генерацию рекомендации• Сравнить эффективность стандартных подходов с

нашим алгоритмом

5

Анализ схожести

Вычисление схожести User-User:• P - - мн во мест, U – - мн во пользователей• R = - матрица рейтингов• C - - мн во городов, где :• и -сравниваемые пользователи• - мн-во мест пользователя • - Евклидово расстояние• - Евклидова метрика• Расстояние между местными и путешественниками

уменьшено, благодаря уменьшению размерности пр-ва

6

Что такое Random Walk with Restart?

1*(1-a)

½ *(1-a)

½*(1-a)

1*(1-a)

t=0a

aпользователи, места

пользователь

a – вероятность вернуться в начальное состояние

7

Построение графа

• Связи в графе “Random Walk with Restart”– User Place (оценка пользователя)– User User (user-user similarity)– Place Place (item-item similarity)Формула итерации :

• - отражает вероятность перехода в элемент на шаге

• – это вектор нулей с единицией в элементе, с которого начинается алгоритм

• - матрица перехода

8

Особенности реализации• Метрики для расчета схожести пользователей и

мест:– Евклидова метрика– Корреляция Пирсона

• Метрики для оценки релевантности результатов– Precision and Recall

• Технологии – Java, Mahout (Taste) реализация системы

коллаборативных рекомендаций– С#, MSSQL Server 2008 сбор тестовых данных

9

Тестовые данные

• Два города– Лондон– Нью-Йорк

• ~ 102300 оценок • ~ 39000 жителей• ~ 5000 мест• ~ 370 путешественников

10

Методика оценки

Точность и охват (Precision and Recall) можно представить в виде следующих формул соответственно:

и • - это кол-во релевантных(рейтинг >= 3)

среди выбранных • - это кол-во всех выбранных • – это кол-во релевантных

11

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.2

0.4

0.6

0.8

1

1.2

Precision/Recall

Item EuclideanItem PearsonUser EuclideanUser PearsonRWR EuclideanRWR Pearson

Recall

Prec

isio

n

12

Результаты

• Проанализированы существующие решения и подходы к рекомендациям

• Проведен анализ схожести• Реализована генерация рекомендаций• Сделано сравнение с стандартными

коллаборативными алгоритмами на собранных тестовых данных

13

Метрика оценки

1.00 0.97 0.93 0.90 0.86 0.830

102030405060708090

100

Recall 0,5

Precision

1 0.97 0.94 0.91 0.85 0.75 0.60

102030405060708090

100

Recall 0,6

Precision

10.96

0.940.92 0.9

0.880.85

0.83 0.8 0.70.66 0.4

0.120

1020304050607080

Recall 0,9

Precision

10,95

0,92 0,90,85

0,820,79

0,770,71

0,660,59

0,440,36 0,3

0,120,04 -

0

10

20

30

40

50

60

Recall 1,0

Precision