Download - Sistemas de Recomendação
![Page 1: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/1.jpg)
Sistemas de Recomendação
Fausto Jose Feitosa Barbosa Gominho (fjfbg)Vinícius Cezar Monteiro de Lira (vcml)
1
![Page 2: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/2.jpg)
Roteiro
• Introdução• Coleta de Informações• Estratégias de Recomendação• Técnicas de Recomendação• Aplicações• Conclusão
2
![Page 3: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/3.jpg)
INTRODUÇÃO 3
![Page 4: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/4.jpg)
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
![Page 5: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/5.jpg)
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
![Page 6: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/6.jpg)
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
![Page 7: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/7.jpg)
Quem usa?
7
![Page 8: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/8.jpg)
COLETA DE INFORMAÇÕES 8
![Page 9: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/9.jpg)
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
![Page 10: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/10.jpg)
Identificação no servidor
10
![Page 11: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/11.jpg)
Identificação no cliente
11
• Utiliza cookies para identificar a máquina.• Menos confiável
![Page 12: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/12.jpg)
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
![Page 13: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/13.jpg)
Coleta de Informação
• Explícita (customização)
13
Usuário Serviços desejados
[email protected] Gastronomia
[email protected] Turismo
![Page 14: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/14.jpg)
Coleta de Informação
• Implícita
14
Usuário Item Categoria Data Acesso
[email protected] A001 Gastronomia 10/10/2012
[email protected] B023 Turismo 10/10/2012
[email protected] D005 Gastronomia 14/10/2012
![Page 15: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/15.jpg)
ESTRATÉGIAS DE RECOMENDAÇÃO 15
![Page 16: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/16.jpg)
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
![Page 17: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/17.jpg)
Lista de Recomendação
• Mantêm listas de itens organizados por tipos de interesses.
17
![Page 18: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/18.jpg)
Reputação do Produto
• Além de comprar um produto o usuário ainda o avalia.• É preciso que haja veracidade das opiniões fornecidas.
18
![Page 19: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/19.jpg)
Suas Recomendações
• A lista de itens é inteiramente dedicada ao usuário.
19
![Page 20: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/20.jpg)
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
![Page 21: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/21.jpg)
Associação por Conteúdo
• As recomendações são feitas a partir do conteúdo de determinado item, por exemplo um autor, um compositor, um editor, etc
21
![Page 22: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/22.jpg)
TÉCNICAS DE RECOMENDAÇÃO 22
![Page 23: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/23.jpg)
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
![Page 24: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/24.jpg)
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
![Page 25: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/25.jpg)
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
![Page 26: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/26.jpg)
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
![Page 27: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/27.jpg)
Filtragem Baseada em Conteúdo
• Funcionamento:
27
X-men
Titanic
O Exorcista
Os Vingadores
Gostei
RecomendadoUsuário Atual
![Page 28: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/28.jpg)
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
![Page 29: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/29.jpg)
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
![Page 30: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/30.jpg)
Filtragem Colaborativa
• Funcionamento:
30
Maria João Catarina
Filme M Filme N Filme O Filme P
Similares
Gosta:Filme AFilme BFilme C
Gosta:Filme AFilme BFilme C
Gosta:Filme FFilme GFilme H
![Page 31: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/31.jpg)
Filtragem Colaborativa
• Exemplo:• Recomendar um produto ao usuário Mauro:
31Os produtos Prod1e Prod5 seriam recomendados a Mauro.
![Page 32: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/32.jpg)
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
![Page 33: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/33.jpg)
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
![Page 34: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/34.jpg)
APLICAÇÕES 34
![Page 35: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/35.jpg)
• 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
Áreas de Aplicações
35
![Page 36: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/36.jpg)
CineDica
36
• Sistema de recomendação para filmes e seriados
• Informações de Profile
• Marcar inicialmente filmes que gostou
![Page 37: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/37.jpg)
CineDica
37
![Page 38: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/38.jpg)
Last.fm
38
• 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
![Page 39: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/39.jpg)
Last.fm
39
![Page 40: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/40.jpg)
Youtube
40
• YouTube:
• Sugestão de vídeos.
• Lista de recomendação.
• Associação de conteúdo.
![Page 41: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/41.jpg)
Amazon
41
• 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.
![Page 42: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/42.jpg)
Amazon
42
• Avaliações dos usuários
![Page 43: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/43.jpg)
Amazon
43
• Sugestão de itens que o usuário possa querer comprar.
• Lista de recomendação.• Usuários que se interessam por “X” também se
interessam por “Y.”
![Page 44: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/44.jpg)
TENDÊNCIAS E CONCLUSÃO 44
![Page 45: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/45.jpg)
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
![Page 46: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/46.jpg)
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
![Page 47: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/47.jpg)
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
![Page 48: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/48.jpg)
Referências
• Souza, Renata Ghisloti Duarte. “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).
48
![Page 49: Sistemas de Recomendação](https://reader036.vdocuments.com.br/reader036/viewer/2022062500/56815ab8550346895dc8724d/html5/thumbnails/49.jpg)
OBRIGADOFausto Jose Feitosa Barbosa GominhoVinícius Cezar Monteiro de Lira
49