introdução à sistemas de recomendação

Introdução à Sistemas de Recomendação

Meu nome é Ralph RassweilerVamos falar sobre sistemas de recomendação.

Olá!

Por que eu deveria me importar?

#1 Onipresença

#2 Lucro

http://www.moneysense.ca/invest/10-reasons-youre-not-rich/

http://www.intelliverse.com/blog/2015/10/06/the-power-of-personalized-product-recommendations/

35%Vendas a partir de recomendações

http://www.businessinsider.com/netflixs-recommendation-engine-drives-75-of-viewership-2012-4

75%Visualizações a partir de recomendações

http://blog.hubspot.com/blog/tabid/6307/bid/30239/71-More-Likely-to-Purchase-Based-on-Social-Media-Referrals-Infographic.aspx#sm.00008lj1ykg78f4yt7t1dfljglm83

71%Compra provável se referenciado

https://www.statista.com/chart/1945/essential-devices/

http://www.marketingcharts.com/television/tv-ad-revenues-drop-12-12613/attachment/yankeegroup-media-averages-apr-2010jpg/

http://blog.pmweb.com.br/a-internet-no-brasil-em-2015/#sthash.UQFJUsvE.lDTpFsd1.dpbs

Contextualização1

Contextualização

Sempre haverá usuários e itens

Contextualização

Sempre haverá usuários e itens …em um contexto

Contextualização

O usuário expressa suas preferências

implícita/explícita

Excelente

Muito Bom

Bom

Ruim

Péssimo

Contextualização

O sistema indica itens

“

Um Sistema de Recomendação é um software que antecipa necessidades de usuários

Similaridades entre usuários

Filtragem Colaborativa (FC)2

FC

FC - Entre usuários

4,5 ? ? 4,0 5,0

4,0 1,5 4,0 4,5 4,0

FC - Entre usuários

? ?

FC - Entre usuários

?

FC - Entre usuários

FC - Entre usuários

4,5 1,73 ? 4,0 5,0

4,0 1,5 4,0 4,5 4,0

FC - Entre usuários

4,5 1,73 4,21 4,0 5,0

4,0 1,5 4,0 4,5 4,0

FC - Entre usuários

#1 Calcular

similaridade entre

usuários

#3 Recomendar n itens com as maiores avaliações

#2 Prever as avaliações

FC - Entre itens

Woody ?

Buzz

Yoda ? ?

Luke ? ?

Darth Vader ? ?

FC - Entre itens

Woody ?

Buzz

Yoda ? ?

Luke ? ?

Darth Vader ? ?

FC - Entre itens

Gostou? Então sugerimos estes

As recomendações não são óbvias.

O domínio de negócio é desnecessário.

Simples de implementar!

FC - Entre itens

#1 Calcular

similaridade entre itens

#3 Recomendar n itens com as maiores avaliações

#2 Prever as avaliações

Atributos dos itens

Filtragem baseada em conteúdo (FBC)3

FBC

Gênero Comédia Ação Animação Horror Drama

Diretor P. Feig D. Yates C. Renaud D. Sandberg B. Furman

Escritor P. Feig A. Cozad C. Paul E. Heisserer E. Furman

Estúdio Sony Lionsgate Universal RatPac-Dune Broad Green

Classificação PG-13 PG-13 PG PG-13 R

FBC

? ?

FBC - Árvore de Decisão

Transparência.Independência de outros usuários.

É possível recomendar novos itens.

FBC

#1 Modelar

perfil dos usuários

#3 Contrastar

perfis, recomendar

mais parecidos

#2 Modelar

perfil dos itens

Revisando

Recomendações inovadoras

Itens recomendados estão associados ao conhecimento da comunidade.

Simplicidade

O modelo colaborativo é simples e fácil de implementar.

Domínio de negócio

Para o modelo colaborativo, é desnecessário.

Transparência

É simples explicar o porquê de recomendações no modelo baseado em conteúdo.

Independência de usuários

O modelo baseado em conteúdo dá foco aos atributos dos itens.

Novo item

Novos itens podem ser recomendados no modelo baseado em conteúdo.

É muito fácil construir um Sistema de Recomendação!

Desafios4

Desafios

? ?

Desafios

? ?

Desafios

? ?

? ? ? ? ?

Desafios

? ? ?

?

? ? ? ? ? ?

Cold-start!

Desafios

...

? ?

...

Varia conforme o domínio, mas é comum ficar próximo a 99%!Esparsidade!

Desafios

Woody ?

Buzz

Yoda ?

Luke ?

Darth Vader ? ?

Desafios

Woody ?

Buzz

Yoda ?

Luke ?

Darth Vader ? ?

Ovelha-negra!

Desafios

Gênero Comédia Ação Animação Horror Drama

Diretor P. Feig D. Yates C. Renaud D. Sandberg B. Furman

Escritor P. Feig A. Cozad C. Paul E. Heisserer E. Furman

Estúdio Sony Lionsgate Universal RatPac-Dune Broad Green

Classificação PG-13 PG-13 PG PG-13 R

Análise de conteúdo limitada!

Desafios

Gênero Fantasia Fantasia Fantasia Fantasia

Diretor C. Columbus C. Columbus A. Cuarón M. Newell

Escritor Steve Kloves Steve Kloves Steve Kloves Steve Kloves

Estúdio Warner Warner Warner Warner

Classificação PG PG PG PG

Desafios

Gênero Fantasia Fantasia Fantasia Fantasia Fantasia

Diretor C. Columbus C. Columbus A. Cuarón M. Newell D. Yates

Escritor Steve Kloves Steve Kloves Steve Kloves Steve Kloves Goldenberg

Estúdio Warner Warner Warner Warner Warner

Classificação PG PG PG PG PG-13

Mais do mesmo… Super- Especialização!

Desafios

Curti estes pratos!

2014 à 2016

Desafios

A partir de hoje sou vegetariano!

2017

O Buzz vai continuar recebendo recomendações de pratos com carne por um tempo!

Estabilidade em detrimento de plasticidade!

Revisando

Cold-Start

Novo item ou novo usuário não recebem recomendações.

Esparsidade

Poucas avaliações disponíveis dificultam predição acurada.

Análise limitada

Carência de atributos ou muitos atributos inúteis não representam a essência do item.

Super-especialização

O modelo FBC pode gerar recomendações óbvias.

Ovelha negra

Alguns usuários tem preferências muito particulares.

Estabilidade vs Plasticidade

Depois que o perfil do usuário está estabelecido é difícil mudar.

Temperos5

Avaliação - Qualidade da Predição

4,5 1,73 4,21 4,0 5,0

4,0 1,5 4,0 4,5 4,0

Avaliação - Qualidade da Predição

4,5 2,0 2,5 4,0 5,0

4,0 1,5 4,0 4,5 4,0

O Netflix nunca colocou em produção o vencedor do prêmio.

http://www.wired.com/2012/04/netflix-prize-costs/

Avaliação - Qualidade do ranking

#1 #2 #3 #4 #5

Especializações

Demográfico Ciente de Contexto Conhecimento

Afff… chega né? Muita coisa...

Finale6

O que faz um Sistema de Recomendação ser bom?

O que faz um Sistema de Recomendação ser bom?

Diverso

O que faz um Sistema de Recomendação ser bom?

Surpreendente

O que faz um Sistema de Recomendação ser bom?

Personalizado

Recursos

Coursera

Recursos

Recursos

2002 - Hybrid Recommender Systems Survey and Experiments

2002 - Incremental SVD-Based Algorithms for Highly Scalable Recommender Systems

2005 - Toward the Next Generation of Recommender Systems A Survey of the state-of-the-art and possible extensions

2006 - Being Accurate is Not Enough

2007 - Content-Based Recommendation Systems

2009 - A Survey of Accuracy Evaluation Metrics of Recommendation Tasks

2011 - Collaborative Filtering Recommender Systems

2013 - Recommender Systems Survey

Alguma pergunta ?

Encontre-me em

◉ ralphrass@gmail.com◉ http://www.slideshare.net/ralphrass/

introduo-sistemas-de-recomendao

Obrigado!

Créditos

◉ Template da apresentação de SlidesCarnival◉ Imagens de http://pixar.wikia.com/