======== Systemy rekomendacyjne  ========

[[http://www.bizmind.pl/images/Napisali_o_nas/Sposoby_implementacji_rekomendacji_Marcin_Majda_6.pdf|Sposoby implementacji systemów rekomendacyjnych]]


{{:pl:dydaktyka:ztb:2012:projekty:social_news:ernst_pacewicz_klimek_-_2005_-_recommendation_systems_prediction_of_web_site_user_preferences.pdf|Bardzo stary artykuł o systemach rekomendacyjnych}}

**Collaborative filtering** 

**Główna idea**: dopasowanie ocen innych użytkowników do ocen wybranego użytkownika

**Reprezentacja danych**: macierz //R// //m// x //n//

//m// - użytkownicy

//n// - pozycje

//r[ij]// = 1, jeśli użytkownik i rekomenduje pozycję j; 0 w przeciwnym wypadku

Zamiast miary binarnej można zastosować kilka stopni rekomendacji (//gwiazdki//)

Podobieństwo między użytkownikami to po prostu liczba pozycji, na których ich wiersze się różnią (odległość Hamminga (która przy reprezentacji binarnej jest po prostu operacją XOR))

**Uwagi praktyczne**:

* macierz R zwykle okazuje się bardzo rzadka (< 1% wartości 1)

* jeżeli macierz jest zbyt duża, można wybrać reprezentatywny podzbiór (opcjonalnie: kazać użytkownikom obowiązkowo ocenić je przy rejestracji) i liczyć podobieństwo między użytkownikami tylko na podstawie pozycji z tego podzbioru



Gdy mamy już wiedzę o tym, którzy użytkownicy są najbardziej podobni do rozpatrywanego, wystarczy pobrać pozycje rekomendowane przez nich i odfiltrować spośród nich te, które są już rekomendowane lub z których skorzystał już rozpatrywany użytkownik.

======== Mahout ========

**bayesian:** [[https://cwiki.apache.org/MAHOUT/bayesian.html]]

Complementary Naive Bayes - implementacja bazuje na [[http://people.csail.mit.edu/jrennie/papers/icml03-nb.pdf|icml03-nb.pdf]]


**collaborative filtering:**

[[http://mahout.apache.org//taste.html|Mahout - Taste Documentation (fast collaborative filtering engine for Java)]]


Przegląd implementacji uczenia maszynowego w mahout [[http://www.ibm.com/developerworks/java/library/j-mahout/]]