Movie Recommendation using Random Walks over the - PowerPoint PPT Presentation

Movie ¡Recommendation ¡using ¡ Random ¡Walks ¡over ¡the ¡ Contextual ¡Graph CARS ¡2010 ¡workshop October ¡26, ¡2010 Barcelona, ¡Spain Toine ¡Bogers Royal ¡School ¡of ¡Library ¡& ¡Information ¡Science Copenhagen, ¡Denmark

Contextual ¡recommendation

Contextual ¡recommendation • Three ¡truths ¡about ¡context Plays ¡an ¡important ¡role ¡in ¡the ¡relevance ¡of ¡a ¡recommendaIon Has ¡been ¡underrepresented ¡in ¡recommender ¡systems Is ¡needed ¡to ¡take ¡recommendaIons ¡to ¡the ¡next ¡level

Contextual ¡recommendation • Three ¡truths ¡about ¡context Plays ¡an ¡important ¡role ¡in ¡the ¡relevance ¡of ¡a ¡recommendaIon Has ¡been ¡underrepresented ¡in ¡recommender ¡systems Is ¡needed ¡to ¡take ¡recommendaIons ¡to ¡the ¡next ¡level • Taxonomy ¡of ¡approaches Pre-­‑filtering ¡on ¡context Post-­‑filtering ¡on ¡context Direct ¡integra+on ¡of ¡context ¡into ¡the ¡recommendaIon ¡algorithm

ContextWalk

ContextWalk • Context-­‑aware ¡ recommenda+on ¡algorithm

ContextWalk • Context-­‑aware ¡ recommenda+on ¡algorithm Based ¡on ¡Markov ¡random ¡walks

ContextWalk • Context-­‑aware ¡ recommenda+on ¡algorithm Based ¡on ¡Markov ¡random ¡walks Models ¡user ¡browsing ¡behavior ¡on ¡movie ¡database ¡websites -­‑ But ¡could ¡easily ¡be ¡adapted ¡to ¡other ¡domains

ContextWalk • Context-­‑aware ¡ recommenda+on ¡algorithm Based ¡on ¡Markov ¡random ¡walks Models ¡user ¡browsing ¡behavior ¡on ¡movie ¡database ¡websites -­‑ But ¡could ¡easily ¡be ¡adapted ¡to ¡other ¡domains Can ¡integrate ¡different ¡types ¡of ¡contextual ¡informaIon

ContextWalk • Context-­‑aware ¡ recommenda+on ¡algorithm Based ¡on ¡Markov ¡random ¡walks Models ¡user ¡browsing ¡behavior ¡on ¡movie ¡database ¡websites -­‑ But ¡could ¡easily ¡be ¡adapted ¡to ¡other ¡domains Can ¡integrate ¡different ¡types ¡of ¡contextual ¡informaIon Can ¡support ¡many ¡different ¡recommendaIon ¡tasks

ContextWalk • Context-­‑aware ¡ recommenda+on ¡algorithm Based ¡on ¡Markov ¡random ¡walks Models ¡user ¡browsing ¡behavior ¡on ¡movie ¡database ¡websites -­‑ But ¡could ¡easily ¡be ¡adapted ¡to ¡other ¡domains Can ¡integrate ¡different ¡types ¡of ¡contextual ¡informaIon Can ¡support ¡many ¡different ¡recommendaIon ¡tasks Strongly ¡inspired ¡by ¡ -­‑ Craswell ¡et ¡al. ¡(2007, ¡image ¡retrieval ¡based ¡on ¡clickstream ¡data) -­‑ Clements ¡et ¡al. ¡(2008, ¡personalized ¡search ¡on ¡social ¡tagging ¡websites)

Browsing ¡a ¡movie ¡database ¡website

Browsing ¡a ¡movie ¡database ¡website

Browsing ¡a ¡movie ¡database ¡website

Browsing ¡a ¡movie ¡database ¡website

Browsing ¡a ¡movie ¡database ¡website

Browsing ¡a ¡movie ¡database ¡website

Contextual ¡graph %&"$ ( ( +*,-" '(! ( ( ( ()'*$ ( !"#$"

Contextual ¡graph %&"$ ( ( +*,-" '(! ( ( ( ()'*$ ( !"#$"

Modeling ¡browsing ¡behavior

Modeling ¡browsing ¡behavior • Browsing ¡model

Modeling ¡browsing ¡behavior • Browsing ¡model User ¡starts ¡from ¡a ¡specific ¡node -­‑ Movie, ¡genre, ¡actor/actress, ¡tag, ¡director, ¡etc.

Modeling ¡browsing ¡behavior • Browsing ¡model User ¡starts ¡from ¡a ¡specific ¡node -­‑ Movie, ¡genre, ¡actor/actress, ¡tag, ¡director, ¡etc. Keeps ¡randomly ¡following ¡links ¡to ¡pages ¡represenIng ¡other ¡nodes -­‑ Of ¡course ¡this ¡is ¡not ¡really ¡random!

Modeling ¡browsing ¡behavior • Browsing ¡model User ¡starts ¡from ¡a ¡specific ¡node -­‑ Movie, ¡genre, ¡actor/actress, ¡tag, ¡director, ¡etc. Keeps ¡randomly ¡following ¡links ¡to ¡pages ¡represenIng ¡other ¡nodes -­‑ Of ¡course ¡this ¡is ¡not ¡really ¡random! UnIl ¡he ¡arrives ¡at ¡an ¡interesIng ¡node ¡and ¡stops ¡browsing

Modeling ¡browsing ¡behavior

Modeling ¡browsing ¡behavior • AssumpIons

Modeling ¡browsing ¡behavior • AssumpIons User ¡has ¡limited ¡memory ¡(forgets ¡previous ¡posiIon)

Modeling ¡browsing ¡behavior • AssumpIons User ¡has ¡limited ¡memory ¡(forgets ¡previous ¡posiIon) Keep ¡the ¡user ¡in ¡the ¡vicinity ¡of ¡his ¡original ¡‘recommendaIon ¡need’

Modeling ¡browsing ¡behavior • AssumpIons User ¡has ¡limited ¡memory ¡(forgets ¡previous ¡posiIon) Keep ¡the ¡user ¡in ¡the ¡vicinity ¡of ¡his ¡original ¡‘recommendaIon ¡need’ -­‑ Random ¡walks ¡of ¡ finite ¡length ¡

Modeling ¡browsing ¡behavior • AssumpIons User ¡has ¡limited ¡memory ¡(forgets ¡previous ¡posiIon) Keep ¡the ¡user ¡in ¡the ¡vicinity ¡of ¡his ¡original ¡‘recommendaIon ¡need’ -­‑ Random ¡walks ¡of ¡ finite ¡length ¡ -­‑ Self-­‑transiIons ¡where ¡the ¡walk ¡stays ¡in ¡place

Modeling ¡browsing ¡behavior • AssumpIons User ¡has ¡limited ¡memory ¡(forgets ¡previous ¡posiIon) Keep ¡the ¡user ¡in ¡the ¡vicinity ¡of ¡his ¡original ¡‘recommendaIon ¡need’ -­‑ Random ¡walks ¡of ¡ finite ¡length ¡ -­‑ Self-­‑transiIons ¡where ¡the ¡walk ¡stays ¡in ¡place • TransiIon ¡probabiliIes ¡between ¡nodes

Modeling ¡browsing ¡behavior • AssumpIons User ¡has ¡limited ¡memory ¡(forgets ¡previous ¡posiIon) Keep ¡the ¡user ¡in ¡the ¡vicinity ¡of ¡his ¡original ¡‘recommendaIon ¡need’ -­‑ Random ¡walks ¡of ¡ finite ¡length ¡ -­‑ Self-­‑transiIons ¡where ¡the ¡walk ¡stays ¡in ¡place • TransiIon ¡probabiliIes ¡between ¡nodes Not ¡based ¡on ¡real ¡browsing/access ¡pa\erns

Modeling ¡browsing ¡behavior • AssumpIons User ¡has ¡limited ¡memory ¡(forgets ¡previous ¡posiIon) Keep ¡the ¡user ¡in ¡the ¡vicinity ¡of ¡his ¡original ¡‘recommendaIon ¡need’ -­‑ Random ¡walks ¡of ¡ finite ¡length ¡ -­‑ Self-­‑transiIons ¡where ¡the ¡walk ¡stays ¡in ¡place • TransiIon ¡probabiliIes ¡between ¡nodes Not ¡based ¡on ¡real ¡browsing/access ¡pa\erns -­‑ But ¡they ¡could ¡be!

Modeling ¡browsing ¡behavior • AssumpIons User ¡has ¡limited ¡memory ¡(forgets ¡previous ¡posiIon) Keep ¡the ¡user ¡in ¡the ¡vicinity ¡of ¡his ¡original ¡‘recommendaIon ¡need’ -­‑ Random ¡walks ¡of ¡ finite ¡length ¡ -­‑ Self-­‑transiIons ¡where ¡the ¡walk ¡stays ¡in ¡place • TransiIon ¡probabiliIes ¡between ¡nodes Not ¡based ¡on ¡real ¡browsing/access ¡pa\erns -­‑ But ¡they ¡could ¡be! EsImated ¡using ¡raIngs ¡and ¡links ¡between ¡nodes

Modeling ¡browsing ¡behavior • AssumpIons User ¡has ¡limited ¡memory ¡(forgets ¡previous ¡posiIon) Keep ¡the ¡user ¡in ¡the ¡vicinity ¡of ¡his ¡original ¡‘recommendaIon ¡need’ -­‑ Random ¡walks ¡of ¡ finite ¡length ¡ -­‑ Self-­‑transiIons ¡where ¡the ¡walk ¡stays ¡in ¡place • TransiIon ¡probabiliIes ¡between ¡nodes Not ¡based ¡on ¡real ¡browsing/access ¡pa\erns -­‑ But ¡they ¡could ¡be! EsImated ¡using ¡raIngs ¡and ¡links ¡between ¡nodes -­‑ E.g., ¡user ¡A ¡rated ¡movie ¡B ¡4 ¡stars, ¡actor ¡C ¡played ¡in ¡movie ¡D

Constructing ¡the ¡contextual ¡graph

Constructing ¡the ¡contextual ¡graph UI

Constructing ¡the ¡contextual ¡graph movies I1 I2 I3 I4 U1 5 4 1 users U2 3 2 3 U3 1 4 2 UI

Constructing ¡the ¡contextual ¡graph movies I1 I2 I3 I4 U1 5 4 1 users U2 3 2 3 U3 1 4 2 UI II UU self-­‑transiIon ¡with ¡ probability ¡a α

Constructing ¡the ¡contextual ¡graph UI II UU

Constructing ¡the ¡contextual ¡graph UI II UU ! " ! !"#" !! $"#" !" "&" # % " $"#" !" !"#" ""