Movie Recommendation using Random Walks over the - - PowerPoint PPT Presentation

Movie ¡Recommendation ¡using ¡ Random ¡Walks ¡over ¡the ¡ Contextual ¡Graph

Toine ¡Bogers Royal ¡School ¡of ¡Library ¡& ¡Information ¡Science Copenhagen, ¡Denmark

CARS ¡2010 ¡workshop October ¡26, ¡2010 Barcelona, ¡Spain

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

UI

I1 I2 I3 I4 U1 5 4 1 U2 3 2 3 U3 1 4 2

movies users

Constructing ¡the ¡contextual ¡graph

UU II UI

I1 I2 I3 I4 U1 5 4 1 U2 3 2 3 U3 1 4 2

movies users

self-­‑transiIon ¡with ¡ probability ¡a

α

Constructing ¡the ¡contextual ¡graph

UU II UI

Constructing ¡the ¡contextual ¡graph

UU II UI

!"#"!! $"#"!"

! "

$"#"!" !"#"""

! "

%

"&"#

Constructing ¡the ¡contextual ¡graph

UU II UI

!"#"!! $"#"!"

! "

$"#"!" !"#"""

! "

%

"&"#

I1 I2 I3 I4 U1 0.5 0.4 0.1 U2 0.375 0.25 0.375 U3 0.143 0.571 0.286

movies users

Constructing ¡the ¡contextual ¡graph

UU II UI

!"#"!! $"#"!"

! "

$"#"!" !"#"""

! "

%

"&"#

I1 I2 I3 I4 U1 0.5 0.4 0.1 U2 0.375 0.25 0.375 U3 0.143 0.571 0.286

movies users

idenIty ¡matrix ¡ mulIplied ¡by ¡a

α

Constructing ¡the ¡contextual ¡graph

UU II UI

!"#"!! $"#"!"

! "

$"#"!" !"#"""

! "

%

"&"#

I1 I2 I3 I4 U1 0.5 0.4 0.1 U2 0.375 0.25 0.375 U3 0.143 0.571 0.286

movies users

idenIty ¡matrix ¡ mulIplied ¡by ¡a

α β = 1 − α

Constructing ¡the ¡contextual ¡graph

! ! ! !

Constructing ¡the ¡contextual ¡graph

! ! ! !

UU II UI AA IA UA

!

Constructing ¡the ¡contextual ¡graph

! ! ! !

UU II UI AA IA UA

!

actor ¡j ¡played ¡in ¡ movie ¡i ¡➝ ¡akskkdk

IAi,j = 1

Constructing ¡the ¡contextual ¡graph

UU II UI AA IA UA

!

Constructing ¡the ¡contextual ¡graph

UU II UI AA IA UA

!

!"#"!! $"#"!" $"#"!#

! " #

$"#"!" $"#"!# !"#""" $"#""# $"#""# !"#"##

! " #

% % %

"&"$

Constructing ¡the ¡contextual ¡graph

UU II UI AA IA UA

!

!"#"!! $"#"!" $"#"!#

! " #

$"#"!" $"#"!# !"#""" $"#""# $"#""# !"#"##

! " #

% % %

"&"$

β = 1 − α

• no. of node types − 1

( ( ( ( (

Constructing ¡the ¡contextual ¡graph

!" ! !# !$ !% "$ "# #$ "% #% $% $$ %% ## "" !!

Constructing ¡the ¡contextual ¡graph

!" ! !# !$ !% "$ "# #$ "% #% $% $$ %% ## "" !!

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"&

Computing ¡the ¡random ¡walk

Computing ¡the ¡random ¡walk

• How?

Computing ¡the ¡random ¡walk

• How?

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"&

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"&

v0

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!#

v0

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

MulIply ¡ ¡ ¡ ¡ ¡ ¡with ¡transiIon

• probability ¡matrix ¡ ¡ ¡ ¡ ¡:

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!#

v0

X

v0

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

MulIply ¡ ¡ ¡ ¡ ¡ ¡with ¡transiIon

• probability ¡matrix ¡ ¡ ¡ ¡ ¡:

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!#

v0

X

vt+1 = vtX

v0

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

MulIply ¡ ¡ ¡ ¡ ¡ ¡with ¡transiIon

• probability ¡matrix ¡ ¡ ¡ ¡ ¡:

¡ ¡ ¡ ¡ ¡contains ¡the ¡probabiliIes ¡of ¡

• being ¡in ¡a ¡node ¡aber ¡1 ¡step

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!#

v0

X

vt+1 = vtX

v1 v0

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

MulIply ¡ ¡ ¡ ¡ ¡ ¡with ¡transiIon

• probability ¡matrix ¡ ¡ ¡ ¡ ¡:

¡ ¡ ¡ ¡ ¡contains ¡the ¡probabiliIes ¡of ¡

• being ¡in ¡a ¡node ¡aber ¡1 ¡step

¡ ¡ ¡ ¡ ¡aber ¡two ¡steps

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!#

v0

X

vt+1 = vtX

v1 v2 v0

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

MulIply ¡ ¡ ¡ ¡ ¡ ¡with ¡transiIon

• probability ¡matrix ¡ ¡ ¡ ¡ ¡:

¡ ¡ ¡ ¡ ¡contains ¡the ¡probabiliIes ¡of ¡

• being ¡in ¡a ¡node ¡aber ¡1 ¡step

¡ ¡ ¡ ¡ ¡aber ¡two ¡steps ¡ ¡ ¡ ¡ ¡aber ¡n ¡steps

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!# !"!#

v0

X

vt+1 = vtX

v1 v2 v0 vn

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

MulIply ¡ ¡ ¡ ¡ ¡ ¡with ¡transiIon

• probability ¡matrix ¡ ¡ ¡ ¡ ¡:

¡ ¡ ¡ ¡ ¡contains ¡the ¡probabiliIes ¡of ¡

• being ¡in ¡a ¡node ¡aber ¡1 ¡step

¡ ¡ ¡ ¡ ¡aber ¡two ¡steps ¡ ¡ ¡ ¡ ¡aber ¡n ¡steps

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!# !"!#

v0

X

vt+1 = vtX

v1 v2 v0 vn

item ¡state ¡ probabiliIes

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

MulIply ¡ ¡ ¡ ¡ ¡ ¡with ¡transiIon

• probability ¡matrix ¡ ¡ ¡ ¡ ¡:

¡ ¡ ¡ ¡ ¡contains ¡the ¡probabiliIes ¡of ¡

• being ¡in ¡a ¡node ¡aber ¡1 ¡step

¡ ¡ ¡ ¡ ¡aber ¡two ¡steps ¡ ¡ ¡ ¡ ¡aber ¡n ¡steps

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!# !"!#

v0

X

vt+1 = vtX

v1 v2 v0 vn

user ¡state ¡ probabiliIes

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

MulIply ¡ ¡ ¡ ¡ ¡ ¡with ¡transiIon

• probability ¡matrix ¡ ¡ ¡ ¡ ¡:

¡ ¡ ¡ ¡ ¡contains ¡the ¡probabiliIes ¡of ¡

• being ¡in ¡a ¡node ¡aber ¡1 ¡step

¡ ¡ ¡ ¡ ¡aber ¡two ¡steps ¡ ¡ ¡ ¡ ¡aber ¡n ¡steps

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!# !"!#

v0

X

vt+1 = vtX

v1 v2 v0 vn

tag ¡state ¡ probabiliIes

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

MulIply ¡ ¡ ¡ ¡ ¡ ¡with ¡transiIon

• probability ¡matrix ¡ ¡ ¡ ¡ ¡:

¡ ¡ ¡ ¡ ¡contains ¡the ¡probabiliIes ¡of ¡

• being ¡in ¡a ¡node ¡aber ¡1 ¡step

¡ ¡ ¡ ¡ ¡aber ¡two ¡steps ¡ ¡ ¡ ¡ ¡aber ¡n ¡steps

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!# !"!#

v0

X

vt+1 = vtX

v1 v2 v0 vn

genre ¡state ¡ probabiliIes

Computing ¡the ¡random ¡walk

• How?

Select ¡the ¡user ¡in ¡the ¡iniIal ¡

• state ¡vector ¡

MulIply ¡ ¡ ¡ ¡ ¡ ¡with ¡transiIon

• probability ¡matrix ¡ ¡ ¡ ¡ ¡:

¡ ¡ ¡ ¡ ¡contains ¡the ¡probabiliIes ¡of ¡

• being ¡in ¡a ¡node ¡aber ¡1 ¡step

¡ ¡ ¡ ¡ ¡aber ¡two ¡steps ¡ ¡ ¡ ¡ ¡aber ¡n ¡steps

!"#"!! $"#"!" $"#"!# $"#"!$ $"#"!%

! " # $ %

$"#"!" $"#"!# $"#"!$ $"#"!% !"#""" $"#""# $"#""$ $"#""% $"#""# !"#"## $"#"#$ $"#"#% $"#""$ $"#"#$ !"#"$$ $"#"$% $"#""% $"#"#% $"#"$% !"#"%%

! " # $ %

% % % % % % % % % %

"&"& !"!# !"!#

v0

X

vt+1 = vtX

v1 v2 v0 vn

actor ¡state ¡ probabiliIes

Contextual ¡extensions

Contextual ¡extensions

• Some ¡possibiliIes

Group ¡recommendaIon ¡by ¡selecIng ¡mulIple ¡users ¡

!"!#

Contextual ¡extensions

• Some ¡possibiliIes

Group ¡recommendaIon ¡by ¡selecIng ¡mulIple ¡users ¡ RecommendaIon ¡based ¡on ¡favorite ¡actors

!"!# !"!#

Contextual ¡extensions

• Some ¡possibiliIes

Group ¡recommendaIon ¡by ¡selecIng ¡mulIple ¡users ¡ RecommendaIon ¡based ¡on ¡favorite ¡actors Temporal ¡informaIon ¡to ¡deal ¡with ¡taste ¡drib

!"!# !"!# !"!#

Contextual ¡extensions

Contextual ¡extensions

• Some ¡possibiliIes

Augment ¡self-­‑transiIons

• ­‑ Social ¡network ¡data ¡to ¡incorporate ¡friendship ¡relaIons ¡into ¡UU
• ­‑ Item ¡similarity ¡based ¡on ¡(textual) ¡similarity
• ­‑ Tag ¡similarity

Contextual ¡extensions

• Some ¡possibiliIes

Augment ¡self-­‑transiIons

• ­‑ Social ¡network ¡data ¡to ¡incorporate ¡friendship ¡relaIons ¡into ¡UU
• ­‑ Item ¡similarity ¡based ¡on ¡(textual) ¡similarity
• ­‑ Tag ¡similarity

Screen ¡Ime ¡of ¡actors

Contextual ¡extensions

• Some ¡possibiliIes

Augment ¡self-­‑transiIons

• ­‑ Social ¡network ¡data ¡to ¡incorporate ¡friendship ¡relaIons ¡into ¡UU
• ­‑ Item ¡similarity ¡based ¡on ¡(textual) ¡similarity
• ­‑ Tag ¡similarity

Screen ¡Ime ¡of ¡actors Mood

Conclusions ¡& ¡future ¡work

Conclusions ¡& ¡future ¡work

• ContextWalk

Based ¡on ¡Markov ¡random ¡walks Models ¡user ¡browsing ¡behavior ¡on ¡movie ¡database ¡websites Can ¡integrate ¡different ¡types ¡of ¡contextual ¡informaIon Can ¡support ¡many ¡different ¡recommendaIon ¡tasks

Conclusions ¡& ¡future ¡work

• ContextWalk

Based ¡on ¡Markov ¡random ¡walks Models ¡user ¡browsing ¡behavior ¡on ¡movie ¡database ¡websites Can ¡integrate ¡different ¡types ¡of ¡contextual ¡informaIon Can ¡support ¡many ¡different ¡recommendaIon ¡tasks

• Future ¡work

Run ¡extensive ¡experiments ¡and ¡opImize Implement ¡contextual ¡extensions Apply ¡to ¡other ¡domains, ¡such ¡as ¡scienIfic ¡papers ¡(CiteULike)

Questions?

What ¡is ¡context? ¡And ¡what ¡isn’t?

• Different ¡opinions

Metadata ¡(e.g., ¡genre, ¡Itle, ¡summary, ¡actors) Tags Mood/emoIon Demographic ¡informaIon ¡(age, ¡locaIon, ¡etc.) Social ¡network ¡informaIon ¡(users, ¡actors, ¡etc.) Company ¡(watching ¡alone ¡vs. ¡watching ¡with ¡friends) Temporal ¡informaIon ¡(taste ¡drib) Screen ¡Ime ¡(contribuIon ¡to ¡a ¡movie/document/etc.)