RECOMENDACIONES-EQUIPO

Contexto

Los sistemas de recomendación son herramientas y algoritmos diseñados para sugerir productos, servicios, información o contenido a los usuarios, basándose en sus preferencias y comportamientos previos, existen dos tipos de sistemas de recomendaicones principales:

• Sistema Basado en Contenido
  ** Recomienda cosas similares a lo que ya te ha gustado. Por ejemplo, si te gusta una película de acción, te sugiere otras películas del mismo género.
  ** Ejemplo: Netflix te recomienda series y películas basadas en lo que has visto.
  
• Sistema Colaborativo
  ** Recomienda basándose en lo que les ha gustado a personas similares a ti, sin importar las características del contenido.
  ** Ejemplo: Facebook sugiere amigos o páginas basadas en tus amigos.

Actividad

Durante esta actividad se realizará un sistema de recomendaciones colaborativo en el que asignaremos ponderación con respecto a las similitudes entre los gustos de las personas para poder recomendar películas con alta probabildiad de que les gusten a los usuarios.

library(tidyverse)   
library(recommenderlab)

Paso 1

1.- Crear la matriz

movie_ratings_tarea <- data.frame(
  KP1 = c(5, 4, 5, 4), 
  ENREDADOS = c(4, 5, 4, NA),
  UP = c(5, 4, 5, 2),
  CARS1 = c(4, 5, 3, NA),
  TS3  = c(3, 5, 3, 2),
  SHREK2 = c(3, 5, 4, 3),
  MONJA = c(3, NA, 3, NA)
)
rownames(movie_ratings_tarea) <- c('Diego','Lalo',  'Ale', 'You' )
movie_ratings_tarea

##       KP1 ENREDADOS UP CARS1 TS3 SHREK2 MONJA
## Diego   5         4  5     4   3      3     3
## Lalo    4         5  4     5   5      5    NA
## Ale     5         4  5     3   3      4     3
## You     4        NA  2    NA   2      3    NA

Paso 2

Proceso de matrices:
Durante esta parte del proceso se crean un vector a cada usuario con respecto a las calificaciones que les asignaron a cada una de las películas, después se grafican los vectores y finalmente se calculan las distancias entre ellos para encontrar la mayor similitud entre usuarios, a menor distancia mayor similitud de gustos.

cosine_similarity <- function(vec_1, vec_2) {
  vec_len <- length(vec_1)
  
  # NA values are replaced with 0
  vec_1[is.na(vec_1)] <- 0
  vec_2[is.na(vec_2)] <- 0
  
  # Computing the denominator
  vec_1_denom <- sqrt(sum(vec_1^2))
  vec_2_denom <- sqrt(sum(vec_2^2))
  denominator <- vec_1_denom * vec_2_denom
  
  # Computing the numerator
  tib = tibble(vec_1 = vec_1, vec_2 = vec_2)
  tib <- tib %>% mutate(products = vec_1 * vec_2)
  numerator <- sum(tib$products)
  
  # Return the cosine similarity
  return (numerator / denominator)
}

Vectorizamos las puntuaciones:

# Obtenemos los vectores de cada persona
You <- as.numeric(as.vector(movie_ratings_tarea['You',]))
Diego <- as.numeric(as.vector(movie_ratings_tarea['Diego',]))
Lalo <- as.numeric(as.vector(movie_ratings_tarea['Lalo',]))
Ale <- as.numeric(as.vector(movie_ratings_tarea['Ale',]))


# Obtenemos "distancia" usando similitud por conseno
similarities_tarea <- data.frame(
  cosine_similarity = c(cosine_similarity(You, Diego), cosine_similarity(You, Lalo), cosine_similarity(You, Ale))
)
rownames(similarities_tarea) <- c('Diego', 'Lalo', 'Ale')
similarities_tarea

##       cosine_similarity
## Diego         0.7503127
## Lalo          0.7424242
## Ale           0.8003335

Paso 3

A continuación se realizan una ponderación tomando en cuenta las similitudes con los demás usuarios con la cual prediciremos que tan probable es que a alguien le guste una película que no ha visto comparando con los demás usuarios (aquellos con mayor similitud tendrán un mayor impacto en la predicción)

# Creamos una función para obtener un promedio ponderado en base a los amigos
movie_rating_weighted_average <- function(movie, friends) {
  denominator <- 0
  numerator <- 0
  for (friend in friends) {
    friend_similarity <- similarities_tarea[friend,][1]
    friend_rating <- movie_ratings_tarea[friend, movie][1]
    
    # Tomaremos el promedio ponderado en cuenta solo para películas con calificación
    if (is.na(friend_rating)) next
    
    denominator <- denominator + friend_similarity
    numerator <- numerator + (friend_similarity * friend_rating)
  }
  
  return (numerator / denominator)
}

#file.choose()

Paso 4

Predicción En este último paso procedemos a predecir la posible puntuación que el usuario podría asignarle a las películas que no ha visto, a mayor puntuación más recomendada es la palícula

friend_names <- c('Diego', 'Lalo', 'Ale')
new_movies <- c('ENREDADOS', 'CARS1', 'MONJA')
new_movie_predicted_ratings <- tibble()
for (n in new_movies) {
  predicted_rating <- movie_rating_weighted_average(n, friend_names)
  prediction_tibble <- tibble(movie = n, predicted_rating = predicted_rating)
  new_movie_predicted_ratings <- bind_rows(new_movie_predicted_ratings, prediction_tibble)
}
new_movie_predicted_ratings

## # A tibble: 3 × 2
##   movie     predicted_rating
##   <chr>                <dbl>
## 1 ENREDADOS             4.32
## 2 CARS1                 3.97
## 3 MONJA                 3

Como podemos ver, la película con mayor rating predicho es ENREDADOS por lo que será la película recomendada en primer lugar