Sistemas de Recomendação

1. Sistemas de Recomendação Fausto Jose Feitosa Barbosa Gominho (fjfbg) Vinícius Cezar Monteiro de Lira (vcml)

2. Roteiro • Introdução • Coleta de Informações • Estratégias de Recomendação • Técnicas de Recomendação • Aplicações • Conclusão

3. introdução

4. 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

5. 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.

6. 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.

7. Quem usa?

8. Coleta de Informações

9. 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

10. Identificação no servidor

11. Identificação no cliente • Utiliza cookies para identificar a máquina. • Menos confiável

12. 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.

13. Coleta de Informação • Explícita (customização)

14. Coleta de Informação • Implícita

15. Estratégias de Recomendação

16. 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

17. Lista de Recomendação • Mantêm listas de itens organizados por tipos de interesses.

18. Reputação do Produto • Além de comprar um produto o usuário ainda o avalia. • É preciso que haja veracidade das opiniões fornecidas.

19. Suas Recomendações • A lista de itens é inteiramente dedicada ao usuário.

20. 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.

21. Associação por Conteúdo • As recomendações são feitas a partir do conteúdo de determinado item, por exemplo um autor, um compositor, um editor, etc

22. Técnicas de recomendação

23. 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

24. 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

25. 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.

26. 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.

27. Filtragem Baseada em Conteúdo • Funcionamento: Gostei Usuário Atual Recomendado

28. 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

29. 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.

30. 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

31. Filtragem Colaborativa • Exemplo: • Recomendar um produto ao usuário Mauro: Os produtos Prod1e Prod5 seriam recomendados a Mauro.

32. 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.

33. 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

34. Aplicações

35. 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

36. CineDica • Sistema de recomendação para filmes e seriados • Informações de Profile • Marcar inicialmente filmes que gostou

37. CineDica

38. 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

39. Last.fm

40. Youtube • YouTube: • Sugestão de vídeos. • Lista de recomendação. • Associação de conteúdo.

41. 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.

42. Amazon • Avaliações dos usuários

43. Amazon • Sugestão de itens que o usuário possa querer comprar. • Lista de recomendação. • Usuários que se interessam por “X” também se interessam por “Y.”

44. Tendências e Conclusão

45. 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.

46. 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)

47. 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).

48. 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).

49. OBRIGADO Fausto Jose Feitosa Barbosa Gominho Vinícius Cezar Monteiro de Lira