490 likes | 620 Views
Sistemas de Recomendação. Fausto Jose Feitosa Barbosa Gominho ( fjfbg ) Vinícius Cezar Monteiro de Lira ( vcml ). Roteiro. Introdução Coleta de Informações Estratégias de Recomendação Técnicas de Recomendação Aplicações Conclusão. introdução. Introdução.
E N D
Sistemas de Recomendação Fausto Jose Feitosa Barbosa Gominho (fjfbg) Vinícius Cezar Monteiro de Lira (vcml)
Roteiro • Introdução • Coleta de Informações • Estratégias de Recomendação • Técnicas de Recomendação • Aplicações • Conclusão
Introdução • Com a quantidade de informações e com a disponibilidade facilitada das mesmas pelo acesso a Internet, as pessoas se deparam com uma diversidade muito grande de opções. • Muitas vezes um indivíduo possui pouca ou quase nenhuma experiência pessoal para realizar escolhas dentre várias alternativas que lhe são apresentadas. Como proceder nestes casos? • Confiando nas recomendações que são passadas por outras pessoas. • forma direta (wordofmouth) • textos de recomendação
Introdução • Os Sistemas de Recomendação auxiliam no aumento da capacidade e eficácia do processo de indicação já bastante conhecido na relação social. • Segundo Burke um Sistema de Recomendação é qualquer sistema que produza recomendações individualizada, ou que guie o usuário de forma a apresentar conteúdo do seu interesse dentre uma variedade de opções.
Introdução • O projeto Tapestry • Utilizava opiniões de pessoas de uma comunidade pequena (e.g. escritório ou grupo de trabalho) para encontrar recomendações. • Filtragem Colaborativa • Resnick defendeu o termo “sistemas de recomendação” como terminologia mais genérica do que filtragem colaborativa, já que sistemas de recomendação podem existir sem nenhuma colaboração entre as pessoas.
Coleta de Informação • Para que se posa recomendar itens a um usuário, é necessário se ter conhecimento sobre quem é o usuário. • É necessário capturar e armazenar seus dados pessoais e comportamentais. • Duas das formas mais usuais de identificação: • Identificação no servidor • Identificação no cliente
Identificação no cliente • Utiliza cookies para identificar a máquina. • Menos confiável
Coleta de Informação • Depois de identificar o usuário, é possível coletar dados sobre este de forma explícita ou implícita. • Explícita (customização) • O usuário indica espontaneamente o que lhe é importante. • Implícita • O sistema infere as necessidades e preferências do usuário através de suas ações.
Coleta de Informação • Explícita (customização)
Coleta de Informação • Implícita
Estratégias de Recomendação • Os principais objetivos do sistemas de recomendação são a fidelidade e consequentemente o aumento do lucro. • As estratégias mais utilizadas são: • Listas de recomendação • Reputação do produto • Suas recomendações • Recomendação por associação • Associação por conteúdo
Lista de Recomendação • Mantêm listas de itens organizados por tipos de interesses.
Reputação do Produto • Além de comprar um produto o usuário ainda o avalia. • É preciso que haja veracidade das opiniões fornecidas.
Suas Recomendações • A lista de itens é inteiramente dedicada ao usuário.
Recomendação por Associação • Usuários que se interessaram por X também se interessaram por Y. • Forma mais complexa de recomendação • Analisa os hábitos do usuário para a identificação de padrões.
Associação por Conteúdo • As recomendações são feitas a partir do conteúdo de determinado item, por exemplo um autor, um compositor, um editor, etc
Formalização do Problema • Seja C o conjunto de todos os usuários de um determinado sistema • Cada elemento de C é definido através de um profile; • SejaS o conjunto de todos os possíveis itens que podem ser recomendados • Cada item do espaço S pode ser definido por um conjunto de características • Seja u a função utilidade que mede o quão útil é um determinado item s para um determinado usuário c • u:C x S → R • OndeR é um conjunto totalmente ordenado • Geralmente a utilidade é definida através de avaliações
Formalização do Problema • Então, para cada usuário c ∈ C, procura-se um item s' ∈ S que maximiza a utilidade do usuário. • ∀ c ∈ C, s' = argmaxs∈S u(c,s) • Geralmente a utilidade é definida através de avaliações. • São definidas apenas nos itens previamente avaliados pelos usuários • A utilidade u geralmente não é definida em todo o espaço C x S. • Problema central dos sistemas de recomendação
Formalização do Problema • Assim o algoritmo de recomendação deve: • Ser capaz de estimar (predizer) as avaliações não realizadas para os pares usuário-item. • Fazer recomendações apropriadas baseadas nestas predições. • Os sistemas de recomendação são classificados de acordo com o método de predição utilizado: • Filtragem Baseada em Conteúdo. • Filtragem Colaborativa. • Filtragem Híbridos.
Filtragem Baseada em Conteúdo • Recomenda ao usuário itens que sejam semelhantes ao que ele preferiu no passado. • A recomendação é feita a partir de tags "descritoras" de itens. • Baseada na similaridade dos itens. • É a abordagem mais simples.
Filtragem Baseada em Conteúdo • Funcionamento: Gostei Usuário Atual Recomendado
Filtragem Baseada em Conteúdo • Desvantagens: • Cálculo da similaridade • Definição das características dos itens • Super Especialização • Não proporciona apresentação de conteúdo novo ao usuário • Efeito Portfólio • Podem oferecer recomendações repetitivas
Filtragem Colaborativa • Consiste na recomendação de itens que pessoas com gosto semelhante preferiram no passado. • Relevância da recomendação é obtida pelo grau de similaridade com outros usuários. • Análise de vizinhança • Não exige a extração de características dos itens.
Filtragem Colaborativa • Funcionamento: Similares João Gosta: Filme A Filme B Filme C Maria Gosta: Filme A Filme B Filme C Gosta: Filme F Filme G Filme H Catarina
Filtragem Colaborativa • Exemplo: • Recomendar um produto ao usuário Mauro: Os produtos Prod1e Prod5 seriam recomendados a Mauro.
Filtragem Colaborativa • Desvantagens: • Um novo item nunca é recomendado até que um usuário o avalie • Um usuário exótico terá dificuldades para encontrar outros usuários com gostos similares. • Necessita de uma vasta base de dados. Caso o numero de usuários seja pequeno em relação ao numero de itens, causará problema. • O problema do avaliador.
Filtragem Híbrida • Consiste em combinar as duas abordagens mencionadas tentando fortificá-las e superar suas desvantagens. • O mais comum é combinar a filtragem colaborativa com outras técnicas. • Vantagens: • Recomendação de itens diretamente relacionado ao histórico • Bons resultados para usuários incomuns • Precisão independente do número de usuários
Áreas de Aplicações • Comércio Eletrônico • Recomendação de produtos e serviços • Educação e Científica • Recomendação de artigos e cursos • Turismo • Recomendação de viagens e pontos turísticos • Saúde • Recomendação de tratamentos • Rede Social • Recomendação de casais e amigos • Marketing • Propaganda eletrônica
CineDica • Sistema de recomendação para filmes e seriados • Informações de Profile • Marcar inicialmente filmes que gostou
Last.fm • Sistema de recomendação para músicas • A Last.fm permite que você mantenha um registro do que ouve* em qualquer player. • Com base no seu gosto musical, a Last.fm lhe recomendará mais músicas e shows. • Utilização de filtragem por conteúdo
Youtube • YouTube: • Sugestão de vídeos. • Lista de recomendação. • Associação de conteúdo.
Amazon • Inicialmente, era uma livraria online. Atualmente, é a maior empresa de comércio eletrônico dos EUA. • Realiza grandes investimentos em recomendação, possuindo uma abordagem híbrida. • Cerca de 38% de suas vendas provêm de suas sugestões.
Amazon • Avaliações dos usuários
Amazon • Sugestão de itens que o usuário possa querer comprar. • Lista de recomendação. • Usuários que se interessam por “X” também se interessam por “Y.”
Tendências • A tendência é Intensificar o uso de características comportamentais em sistemas de recomendação. • Web Semântica • Os computadores poderem entender o significado da informação. • Eles poderão aprender sobre o que estamos interessados e nos ajudar a encontrar o que realmente queremos.
Conclusão • Nós estamos sobrecarregados de informação, grande partes dessas informações não são uteis para nossas necessidades. • Os sistemas de recomendação atuam de forma a sugerir algo de interesse ao usuário. • Aumentam a qualidade no serviço prestado em vários segmentos: • Auxiliam clientes na busca de produtos que ele desejaria comprar • Melhoram a venda cruzada de produtos (compras adicionais)
Referências • Cazella, Sílvio César , Maria Augusta S. N. Nunes, e EliseoBerniReategui. “A Ciência da Opinião: Estado da arte em Sistemas de Recomendação.” s.d. http://200.17.141.213/~gutanunes/hp/publications/JAI4.pdf (acesso em 15 de 10 de 2012). • Reategui, EliseoBerni, e Sílvio César Cazella. XXV Congresso da Sociedade Brasileira de Computação - Sistemas de Recomendação. s.d. http://200.169.53.89/download/cd%20congressos/2005/SBC%202005/pdf/arq0287.pdf (acesso em 15 de 10 de 2012).
Referências • Souza, Renata GhislotiDuarte. “Aplicando Sistemas de Recomendação em Situações Práticas.” s.d. http://www.ibm.com/developerworks/br/local/data/sistemas_recomendacao/index.html (acesso em 11 de 10 de 2012). • Caraciolo, Marcel Pinheiro – Sistema de Recomendação Personalizando sua experiência de compra.s.d. http://www.slideshare.net/marcelcaraciolo/sistemas-de-recomendao-e-inteligncia-coletiva (acesso em 14 de 10 de 2012).
OBRIGADO Fausto Jose Feitosa Barbosa Gominho Vinícius Cezar Monteiro de Lira