Transcript Sistemas de Recomendação
Sistemas de Recomendação
Fausto Jose Feitosa Barbosa Gominho (fjfbg) Vinícius Cezar Monteiro de Lira (vcml) 1
Roteiro
• Introdução • Coleta de Informações • Estratégias de Recomendação • Técnicas de Recomendação • Aplicações • Conclusão 2
INTRODUÇÃO
3
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 (word of mouth) • textos de recomendação 4
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.
5
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.
6
Quem usa?
7
COLETA DE INFORMAÇÕES
8
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
9
Identificação no servidor
10
Identificação no cliente
• • Utiliza cookies para identificar a máquina.
Menos confiável 11
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.
12
Coleta de Informação
• Explícita (customização)
Usuário
Serviços desejados
Gastronomia Turismo 13
Coleta de Informação
• Implícita
Usuário
Item
A001 B023 D005
Categoria
Gastronomia Turismo Gastronomia
Data Acesso
10/10/2012 10/10/2012 14/10/2012 14
ESTRATÉGIAS DE RECOMENDAÇÃO
15
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 16
Lista de Recomendação
• Mantêm listas de itens organizados por tipos de interesses.
17
Reputação do Produto
• • Além de comprar um produto o usuário ainda o avalia.
É preciso que haja veracidade das opiniões fornecidas.
18
Suas Recomendações
• A lista de itens é inteiramente dedicada ao usuário.
19
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.
20
Associação por Conteúdo
• As recomendações são feitas a partir do conteúdo de determinado item, por exemplo um autor, um compositor, um editor, etc 21
TÉCNICAS DE RECOMENDAÇÃO
22
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; • Seja S 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
• Onde R é um conjunto totalmente ordenado • Geralmente a utilidade é definida através de avaliações 23
Formalização do Problema
• Então, para cada usuário c ∈ C, procura-se um item s' S que maximiza a utilidade do usuário.
∈ • ∀
c
∈
C, s' = argmax s
∈
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 24
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.
25
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.
26
Filtragem Baseada em Conteúdo
• Funcionamento: Usuário Atual
X-men Titanic O Exorcista Os Vingadores
27
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 28
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.
29
Filtragem Colaborativa
• Funcionamento: Similares Maria
Gosta:
Filme A Filme B Filme C João
Gosta:
Filme F Filme G Filme H Catarina
Gosta:
Filme A Filme B Filme C 30
Filtragem Colaborativa
• Exemplo: • Recomendar um produto ao usuário Mauro: Os produtos Prod1e Prod5 seriam recomendados a Mauro.
31
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.
32
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 33
APLICAÇÕES
34
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 35
CineDica
• Sistema de recomendação para filmes e seriados • Informações de Profile • Marcar inicialmente filmes que gostou 36
CineDica
37
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 38
Last.fm
39
Youtube
• YouTube: • Sugestão de vídeos.
•
Lista de recomendação.
•
Associação de conteúdo.
40
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.
41
Amazon
• Avaliações dos usuários 42
Amazon
• Sugestão de itens que o usuário possa querer comprar.
•
Lista de recomendação.
•
Usuários que se interessam por “X” também se interessam por “Y.”
43
TENDÊNCIAS E CONCLUSÃO
44
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.
45
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) 46
Referências
• Cazella, Sílvio César , Maria Augusta S. N. Nunes, e Eliseo Berni Reategui. “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, Eliseo Berni, 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).
47
Referências
• Souza, Renata Ghisloti Duarte. “Aplicando Sistemas de Recomendação em Situações Práticas.” s.d.
http://www.ibm.com/developerworks/br/local/data/sist emas_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).
48
OBRIGADO
Fausto Jose Feitosa Barbosa Gominho Vinícius Cezar Monteiro de Lira 49