Sistema de Recomendação de Usuários em Rede Sociais

1. Sistema de Recomendação de UsuáriosemRedeSociais Natália Cabral e Tiago Ferreira

2. Roteiro • Motivação • Redes Sociais • Sistemas de Recomendação • Mecanismo de recomendação baseado na topologia • Extensão do Mecanismo de Recomendação • Conclusão

3. Motivação “ 43,9 milhões de usuários utilizando Redes Sociais no Brasil” " 90,8% dos usuários da internet no Brasil,  fazem parte de algumarede social.” * dados da comScore - Junho de 2011 ( http://www.comscore.com/por/ )

4. Motivação • Como encontrar usuários relevantes em meio a uma imensidão? • Navegar entre listas de amizades dos usuários • Busca de usuários • Catálogo de usuários • Sistemas de Recomendação pode ser a solução

5. Redes Sociais “Estruturasorganizacionaisdinâmicasquevisamconectarum conjunto de indivíduos, promovendo o relacionamento, a comunicação, e a partilha de experiências, agrupando-os de acordo com interessesemcomum.”

6. Sistema de Recomendação Um sistemaquetentaprever o gosto de cadausuáriobaseadoeminformaçãosubmetidaporsi e pelosrestantesutilizadores.

7. Sistemas de Recomendação de Usuários • Necessidade de encontrar pessoas para adicionar na lista de amigos • Dois objetivos: • Encontrar pessoas que você já conhece • Encontrar pessoas que você gostaria de conhecer

8. Sistemas de Recomendação de Usuários • Facebook

9. Sistemas de Recomendação de Usuários • Diferente dos outros sistemas de recomendação: • Relação de amizade bi-direcional • Apresentação da lista de amigos no perfil

10. Estudo de Caso • Encontrar as repostaspara: • Qual a diferençaemeficiência de diferentesalgoritmos de recomendação? • Quecaracterísticassãodiferentesnarecomendação de umapessoaconhecida e umadesconhecida? • Um sistema de recomendação é efetivoemaumentar a quantidade de amigos numarede social? • Qual o impactoque um sistema de recomendaçãocausaem um site?

11. Estudo de Caso • Implementação de sistemas de recomendação de usuários para o sistema Beehive • Quatro algoritmos diferentes • Realização de dois experimentos • PersonalizedSurvey • Controlledfieldstudy

12. Beehive • Rede Social Corporativa da IBM • Lançada em setembro de 2007 • Mais de 38000 usuários • Média de 8.2 amigos por usuário • Conceito de amizade unidirecional

13. Algoritmos BaseadoemConteúdo ContentMatching Content-plus-Link Friend-of-Friend SONAR BaseadonaEstruturadaRede

14. Content Matching • “Se duas pessoas escrevem na rede sobre assuntos similares, essas têm interesse em se conhecer” • Cada usuário passou a ter uma “nuvem de tags” A e B são considerados similares se eles compartilham tags em comum e também se somente poucas pessoas compartilham tal tag

15. Content-plus-Link • Tem como objetivo diminuir a quantidade de pessoas desconhecidas na recomendação • ContentMatching +Social link information • A similaridade entre dois usuários é aumentada em 50% se entre esse houver um link válido na rede. • Ex.: Alice comentou no perfil de Bob, que é amigo de Charles

16. Friend-of-Friend • “Se muitos dos meus amigos têm Alice como amiga, Alice pode ser minha amiga” • Algoritmo base do You May Know do Facebook • Não pode fazer recomendações para pessoas sem amigos adicionados

17. SONAR • Algoritmo baseado no sistema SONAR • Sistema que têm dados públicos sobre IBM • Publicações, Amizade, Blogs, Orgonograma, Patentes, Sistema de tags dos usuários, Project Wiki • Através desses dados, pode-se saber se dois usuários têm alguma interação. • Ex.: Ser co-autor do mesmo artigo, comentar no blog, ... • Lista de usuários foi ranqueada baseada na proximidade e frequência da interação com cada usuários

18. Primeiro Experimento: PersonalizedSurvey • 500 usuários foram selecionados para participar do experimento • Para cada usuário foi apresentada uma página web com 12 usuários recomendados • 3 de cada algoritmo

19. Primeiro Experimento: PersonalizedSurvey • Para cada recomendação feita, o usuário deveria responder: • Você já conhece essa pessoa? • Foi uma boa recomendação? • A razão pela qual foi recomendada ajudou na decisão? • Você vai adicionar essa pessoa?

20. Resultados do Primeiro Experimento • Entendendo a necessidade do usuário • 95% considerou útil a recomendação de usuários e gostaria que o site tivesse essa funcionalidade • Mais de 60% disse estar interessada em conhecer novas pessoas na rede • A grandemaioria dos entrevistados adicionam desconhecidos por amigos em comum ou interesses similares

21. Resultados do Primeiro Experimento

22. Resultados do Primeiro Experimento • A avaliação dos usuários é diretamente proporcional a porcentagem de conhecidos recomendados • Usuários afirmaram que mostrar o motivo da recomendação é necessário • Muitas tags foram consideradas aleatórias, genéricas, fracas ou irrelevantes • Usuários querem o máximo de informação útil possível sobre a recomendação

23. Resultados do Primeiro Experimento • A quantidade de pessoas adicionadas foi menor que a quantidade de boas recomendações • Usuários sugeriram adicionar outras opções além de adicionar • Adicionar pessoa à lista de interesse • Recomendar a pessoa para outra

24. Segundo Experimento: Controlled Field Study • Testar os algoritmos de uma forma mais natural

25. Resultados do Segundo Experimento • Porcentagem de pessoas adicionadas • Todos os algoritmos foram eficientes em aumentar a quantidade de amigos na rede • SONAR – 13% • Grupo sem sistema de recomendação – 5%

26. Resultados do Segundo Experimento • Sistemas de recomendação são efetivos em aumentar a quantidade de atividades no site: + 13,7% -24,4%

27. Conclusão dos Experimentos • Todos os quatro algoritmos são eficientes na recomendação de usuários e aumentam significativamente a lista de amigos • Algoritmos baseados na estrutura da rede obtiveram melhores avaliações que algoritmos baseados em conteúdo

28. Conclusão dos Experimentos • SONAR foi o algoritmo que mais se adequou a rede. • Algoritmos baseados na estrutura da rede são melhores em encontrar pessoas conhecidas • Algoritmos baseados em conteúdo são melhores em encontrar pessoas que o usuário ainda não conhece

29. Conclusão dos Experimentos • Algoritmo ideal: • Inicialmente baseado na estrutura da rede • Formar a lista de amigos • Em segundo plano, baseado em conteúdo • Depois da lista de amigos estabilizada, encontrar pessoas com interesses em comum

30. Algoritmo Proposto Dissertação de mestrado de Nitai B. Silva • Proposta de um algoritmo de recomendação de usuários para a rede Oro-Aro • Algoritmo baseado na topologia da rede • Utiliza FoF

31. Oro-Aro • Rede social corporativa construída pelo C.E.S.A.R. • Desenvolvido com o objetivo de facilitar a troca de conhecimento e experiência entre os alunos do CIn e dos colaboradores do C.E.S.A.R • Há 634 usuários e 5076 arestas (relacionamento unidirecional) • Foram selecionados para a pesquisa apenas os relacionamentos bidirecionais

32. Visão Geral do Algoritmo • Etapas do mecanismo recomendação: • Filtering • Ordering • Além das fases tradicionais, na fase de ordering, é proposta uma solução utilizando Algorimo Genético

33. Etapa de Filtering • Baseado no conceito de coeficiente de clusterização, das redes Small Word • “It’s more probablethatyouknow a friendofyourfriendthaanyotherrandomperson”

34. Etapa de Ordenação • Avalia o grau de relacionamento entre o nó central e o nó que poderá ser avaliado • A métrica utilizada é um único valor, que será extraída de uma média ponderada entre 3 índices • Os 3 índices medem propriedades específicas de um sub-grafo

35. Etapa de Ordenação • Primeiro Índice • Conceito de FOF (Friend-of-Friends) • Número de nós adjacentes que são ligado ao mesmo tempo ao nó central e ao nó que será recomendado • Amigos em comum

36. Etapa de Ordenação • Segundo Índice • Mede o grau de coesão entre o “pequeno” grupo formado pelos amigos em comum • Se o índice tiver um valor baixo então as pessoas dentro deste grupo não são bem relacionadas

37. Etapa de Ordenação • Terceiro Índice • Mede o grau de coesão entre o “grande” grupo formado pelos amigos de ambos os nós • O terceiro e segundo índice, apesar de parecidos, são independentes

38. Algoritmo Genético Técnicautilizadaparaencontrarsoluçõesaproximadas de problemas de otimização e busca.

39. Algoritmo Genético • Gerar os 3 índices automaticamente para que possa oferecer a melhor taxa de acerto • Utilizar toda a topologia em volta do nó central • Mais quantidade de informação • Modificar a etapa de filtragem para adicionar nós adjacentes

40. Algoritmo Genético • Algoritmo: • Geração de 200 indivíduos de forma aleatória • Calcular a função de avaliaçãoparatodososindivíduos • Escolheros 13 melhoressegundo a função de avaliação • RealizarCrossjoin entre os 13 melhores, nãopodendorepetiros pesos • Para cadaelemento do item anterior gerarfilhos, com mutação e crossover • Recalcular a função de avaliaçãoparaosnós • Pegar a média das 7 melhoresfunções de avaliação • Enquanto a média da função de avaliaçãonão se repetirpor 4x, repetirospassos de 1 a 7

41. Algoritmo Genético 200 indivíduos Crossjoin entre os 13 Calcula função de avaliação Gerar filhos Recalcular função de avaliação 13 melhores indivíduos Média das 7 melhores

42. Experimento do Algoritmo Proposto • Usuários da rede social Oro-Aro • Requisitos: • Possuir no mínimo 13 relacionamentos • Ter acessado a rede nos últimos 45 dias • 70 usuários selecionados • Dois sistemas de recomendação testados, FOF e o Algoritmo Proposto • 14 usuários para FOF e 56 para o Algoritmo Proposto

43. Resultados • Oro-Aro

44. Extensão do Mecanismo • Objetivo • Melhorar taxa de acerto • Lever em conta mais dados da topologia, dados que são exclusivos da Redes Sociais Educacionais • Abordagens propostas • Alteração do algoritmo genético • Adição de mais um índice que envolva a topologia de uma rede social educacional • Avaliar e aplicar utilizando o Redu (Rede Social Educacional)

45. Extensão do Mecanismo • Alteração do algoritmo genético • A.G. não converge para determinados dados • Reavaliar a função de avaliação

46. Extensão do Mecanismo • Adição de mais um índice que envolva a topologia de uma rede social educacional • Explocar a hierarquia do Redu

47. Extensão do Mecanismo AVA Curso Curso Curso Disciplina Disciplina Disciplina Módulos Aulas

48. Extensão do Mecanismo • Avaliar e aplicar solução no Redu • Escolher usuários para utilizar os 3 tipos de sistemas recomendações existente • FOF, baseado em heurísticas e o Algoritmo Proposto • Analisar os pontos positivos de cada sistema de recomendação • Escolher a melhor abordagem para cada situação

49. Conclusão • Sistema de recomendação é extremamentenecessáriopelaquantidade de informação (usuário) • Aplicação de váriastécnicasauxiliamnaresolução de problemas • Quantomais dados sãoanalisados, menor a eficiêncianaexecução • A topologia é um importantemeioparaextrairinformações

50. Conclusão • As vezes a topologianão é suficienteparaaplicar boas recomendações • Para análise da topologia, deveexistir dados suficientes