Algoritmos Colaborativos para Sistemas de Recomendação

1. Algoritmos Colaborativos para Sistemas de Recomendação José Graciano Almeida Ramos Orientador: Prof. Doutor Jaime S. Cardoso Responsável no INESC - Porto: Mestre Ricardo Sousa Mestrado Integrado em Engenharia Informática e Computação 20 de Julho de 2010 MIEIC-FEUP

2. Estrutura • Objectivos • Sistemas de Recomendação • Estado da Arte • Exemplos da Aplicação dos Sistemas de Recomendação • Formulação dos Algoritmos Colaborativos • Classificação dos Algoritmos Colaborativos • CollaborativeFilteringwithInterlacedGeneralized linear Models • Filtragem Colaborativa baseada na Média das avaliações. MIEIC-FEUP

3. Objectivos MIEIC-FEUP

4. Sistemas de Recomendação Mundo Actual Acesso fácil a novas tecnologias de informação Crescimento exponencial da quantidade de dados a tratar COMO SELECIONAR/ENCONTRAR INFORMAÇÃO? Sorte Maior esforço das partes envolvidas no processo de tomada de decisão Pedir recomendação de um amigo Sistemas de Recomendação MIEIC-FEUP

5. Sistemas de Recomendação • São utilizados pelas empresas para gerar recomendações de novos produtos aos clientes. • Apoia nos Algoritmos Colaborativos para gerar recomendações. MIEIC-FEUP

6. Sistemas de Recomendação MIEIC-FEUP

7. Estado da Arte MIEIC-FEUP

8. Exemplos de Aplicação MIEIC-FEUP

9. Formulação dos Sistemas de Recomendação U = conjunto de utilizadores Y = conjunto de itens MIEIC-FEUP

10. Classificação dos Algoritmos Colaborativos MIEIC-FEUP

11. Métodos Baseados em Pesquisa MIEIC-FEUP

12. Filtragem Baseada no Conteúdo Talvez seja melhor começar a aprender com as acções dos utilizadores… MIEIC-FEUP

13. Filtragem Colaborativa • A filtragem colaborativa (FC) pode ser descrita como a tarefa de identificar (filtrar) interesses dos utilizadores através da aprendizagem de relações com outros utilizadores (colaboração). • A recomendação é baseada em produtos que pessoas com gostos e preferências similares apreciaram no passado. MIEIC-FEUP

14. Modelo de Conjuntos MIEIC-FEUP

15. Abordagem Híbrida MIEIC-FEUP

16. MIEIC-FEUP

17. CollaborativeFilteringwithInterlacedGeneralized Linear Models[Delannay e Verleysen] • Procura identificar interesses dos utilizadores através da similaridade dos seus comportamentos. • Centra-se na previsão de novas avaliações baseada na factorização da matriz das avaliações e na utilização de modelos probabilísticos para representar incertezas nas avaliações. MIEIC-FEUP

18. Descrição do Modelo • Os Utilizadores e os Itens são representados por vectores de características que representam os parâmetros principais do modelo. • A previsão da avaliação atribuída por um utilizador a um determinado item é representada como o produto entre os respectivos vectores de características . • O vector de características do utilizador é entendido como diferentes sensibilidades a um conjunto de aspectos que descrevem os itens e o vector de características dos itens corresponde a esses aspectos. MIEIC-FEUP

19. Descrição do Modelo MIEIC-FEUP

20. Configuração do Modelo K = 2 • A optimização dos vectores de características é feita utilizando o formalismo dos Modelos Lineares Generalizados. MIEIC-FEUP

21. Filtragem Colaborativa baseada na Média das Avaliações • Neste modelo mantêm-se a ideia chave do GLM entrelaçado que é representar os utilizadores e os itens por vector de características. • A apreciação dos itens expressa pelos utilizadores é estimada pelo produto dos respectivos vectores de características MIEIC-FEUP

22. Filtragem Colaborativa baseada na Média das Avaliações • Os vectores de características são optimizados aplicando a técnica de regressão linear regularizada. • Com a aplicação da regressão linear pretende-se estudar a dependência entre as avaliações atribuídas por um utilizador a um determinado item e as características dos utilizadores e dos itens, ou seja, como é que as características dos utilizadores e dos itens influenciam no processo de avaliação. MIEIC-FEUP

23. Filtragem Colaborativa baseada na Média das Avaliações MIEIC-FEUP

24. Configuração do Modelo K = 2 MIEIC-FEUP

25. Base de Dados • MovieLens • 6040 Utilizadores • 3900 Filmes (Itens) • Aproximadamente 1 milhão de avaliações discretas no intervalo [1,5] MIEIC-FEUP

26. Desempenho MIEIC-FEUP

27. Desempenho • Root Mean Square error (RMSE) • Mean Absolut Error (MAE) MIEIC-FEUP

28. Desempenho MIEIC-FEUP

29. Desempenho MIEIC-FEUP

30. Desempenho MIEIC-FEUP

31. Contribuições • Levantamento do estado da arte sobre algoritmos colaborativos e sistemas de recomendação • Estudo comparativo de diferentes abordagens de sistemas de recomendação • Apresentação de uma nova abordagem híbrida para algoritmos colaborativos MIEIC-FEUP

32. Conclusão • Na última década os algoritmos colaborativos têm adquirido uma importância considerável, conseguindo avanços significativos devido ao surgimento de novas abordagens para o problema. • Apesar deste avanço, continuam a necessitar de optimizações para poderem ser aplicadas em situações da vida real. • Na maioria das situações é preciso considerar informações provenientes de vários contextos, o que não é considerado pela geração actual de algoritmos colaborativos por se encontrarem centralizados apenas na informação dos itens e dos utilizadores. MIEIC-FEUP

33. Obrigado MIEIC-FEUP