sistema de recomendação de usuários em rede sociais

SISTEMA DE RECOMENDAÇÃO DE USUÁRIOS EM REDE SOCIAIS

Natália Cabral e Tiago Ferreira

Roteiro

Motivação Redes Sociais Sistemas de Recomendação Mecanismo de recomendação baseado na topologia Extensão do Mecanismo de Recomendação Conclusão

Motivação

“ 43,9 milhões de usuários utilizando Redes Sociais no Brasil”

" 90,8% dos usuários da internet no Brasil, fazem parte de alguma rede social.”

* dados da comScore - Junho de 2011 ( http://www.comscore.com/por/ )

Motivação Como encontrar usuários relevantes em

meio a uma imensidão? Navegar entre listas de amizades dos

usuários Busca de usuários Catálogo de usuários

Sistemas de Recomendação pode ser a solução

Redes Sociais

“Estruturas organizacionais

dinâmicas que visam conectar um conjunto de indivíduos, promovendo o

relacionamento, a comunicação, e a

partilha de experiências,

agrupando-os de acordo com interesses em

comum.”

Sistema de Recomendação

Um sistema que tenta prever o gosto de cada usuário baseado em informação submetida por si e pelos restantes

utilizadores.

Sistemas de Recomendação de Usuários

Necessidade de encontrar pessoas para adicionar na lista de amigos

Dois objetivos: Encontrar pessoas que você já conhece Encontrar pessoas que você gostaria de

conhecer

Facebook


Diferente dos outros sistemas de recomendação: Relação de amizade bi-direcional Apresentação da lista de amigos no perfil


Estudo de Caso Encontrar as repostas para:

Qual a diferença em eficiência de diferentes algoritmos de recomendação?

Que características são diferentes na recomendação de uma pessoa conhecida e uma desconhecida?

Um sistema de recomendação é efetivo em aumentar a quantidade de amigos numa rede social?

Qual o impacto que um sistema de recomendação causa em um site?

Estudo de Caso Implementação de sistemas de

recomendação de usuários para o sistema Beehive Quatro algoritmos diferentes

Realização de dois experimentos Personalized Survey Controlled field study

Beehive

Rede Social Corporativa da IBM Lançada em setembro de 2007 Mais de 38000 usuários Média de 8.2 amigos por usuário Conceito de amizade unidirecional

Algoritmos

Baseado em Conteúdo

Baseado na Estrutura da

Rede

Content Matching Content-plus-Link

Friend-of-Friend SONAR

Content Matching “Se duas pessoas escrevem na rede sobre assuntos

similares, essas têm interesse em se conhecer” Cada usuário passou a ter uma “nuvem de tags”

A e B são considerados similares se eles

compartilham tags em comum e também se

somente poucas pessoas compartilham

tal tag

Content-plus-Link Tem como objetivo diminuir a quantidade de

pessoas desconhecidas na recomendação

Content Matching + Social link information A similaridade entre dois usuários é

aumentada em 50% se entre esse houver um link válido na rede. Ex.: Alice comentou no perfil de Bob, que é amigo

de Charles

Friend-of-Friend “Se muitos dos meus amigos têm Alice como

amiga, Alice pode ser minha amiga” Algoritmo base do You May Know do

Facebook

Não pode fazer recomendações para pessoas sem amigos adicionados

SONAR Algoritmo baseado no sistema SONAR

Sistema que têm dados públicos sobre IBM Publicações, Amizade, Blogs, Orgonograma, Patentes,

Sistema de tags dos usuários, Project Wiki

Através desses dados, pode-se saber se dois usuários têm alguma interação. Ex.: Ser co-autor do mesmo artigo, comentar no blog, ...

Lista de usuários foi ranqueada baseada na proximidade e frequência da interação com cada usuários

Primeiro Experimento: Personalized Survey

500 usuários foram selecionados para participar do experimento

Para cada usuário foi apresentada uma página web com 12 usuários recomendados 3 de cada algoritmo

Para cada recomendação feita, o usuário deveria responder: Você já conhece essa pessoa? Foi uma boa recomendação? A razão pela qual foi recomendada ajudou na

decisão? Você vai adicionar essa pessoa?

Primeiro Experimento: Personalized Survey

Resultados do Primeiro Experimento

Entendendo a necessidade do usuário 95% considerou útil a recomendação de

usuários e gostaria que o site tivesse essa funcionalidade

Mais de 60% disse estar interessada em conhecer novas pessoas na rede A grande maioria dos entrevistados

adicionam desconhecidos por amigos em comum ou interesses similares

A avaliação dos usuários é diretamente proporcional a porcentagem de conhecidos recomendados

Usuários afirmaram que mostrar o motivo da recomendação é necessário Muitas tags foram consideradas aleatórias, genéricas,

fracas ou irrelevantes Usuários querem o máximo de informação útil possível

sobre a recomendação


A quantidade de pessoas adicionadas foi menor que a quantidade de boas recomendações

Usuários sugeriram adicionar outras opções além de adicionar Adicionar pessoa à lista de interesse Recomendar a pessoa para outra


Segundo Experimento: Controlled Field Study

Testar os algoritmos de uma forma mais natural

Content Matching

Content plus Link

Friend of Friend

SONAR

Nenhum sistema de recomenda

ção

Resultados do Segundo Experimento

Porcentagem de pessoas adicionadas

Todos os algoritmos foram eficientes em aumentar a quantidade de amigos na rede SONAR – 13% Grupo sem sistema de recomendação – 5%

SONAR FoF CplusLink Content59,7% 47,7% 40,0% 30,5%

Sistemas de recomendação são efetivos em aumentar a quantidade de atividades no site:

Content

Matching

Content plus Link

Friend of

FriendSONAR

Nenhum sistema de

recomendação

+ 13,7% -24,4%

Resultados do Segundo Experimento

Conclusão dos Experimentos Todos os quatro algoritmos são eficientes

na recomendação de usuários e aumentam significativamente a lista de amigos

Algoritmos baseados na estrutura da rede obtiveram melhores avaliações que algoritmos baseados em conteúdo

Conclusão dos Experimentos SONAR foi o algoritmo que mais se

adequou a rede. Algoritmos baseados na estrutura da

rede são melhores em encontrar pessoas conhecidas

Algoritmos baseados em conteúdo são melhores em encontrar pessoas que o usuário ainda não conhece

Conclusão dos Experimentos Algoritmo ideal:

Inicialmente baseado na estrutura da rede Formar a lista de amigos

Em segundo plano, baseado em conteúdo

Depois da lista de amigos estabilizada, encontrar pessoas com interesses em comum

Algoritmo PropostoDissertação de mestrado de Nitai B. Silva• Proposta de um algoritmo de

recomendação de usuários para a rede Oro-Aro

• Algoritmo baseado na topologia da rede• Utiliza FoF

Oro-Aro Rede social corporativa construída pelo

C.E.S.A.R. Desenvolvido com o objetivo de facilitar a

troca de conhecimento e experiência entre os alunos do CIn e dos colaboradores do C.E.S.A.R

Há 634 usuários e 5076 arestas (relacionamento unidirecional)

Foram selecionados para a pesquisa apenas os relacionamentos bidirecionais

Visão Geral do Algoritmo Etapas do mecanismo recomendação:

Filtering Ordering

Além das fases tradicionais, na fase de ordering, é proposta uma solução utilizando Algorimo Genético

Etapa de Filtering Baseado no conceito de coeficiente de

clusterização, das redes Small Word “It’s more probable that you know a

friend of your friend tha any other random person”

Etapa de Ordenação Avalia o grau de relacionamento entre o

nó central e o nó que poderá ser avaliado

A métrica utilizada é um único valor, que será extraída de uma média ponderada entre 3 índices

Os 3 índices medem propriedades específicas de um sub-grafo

Etapa de Ordenação Primeiro Índice

Conceito de FOF (Friend-of-Friends) Número de nós adjacentes que são ligado

ao mesmo tempo ao nó central e ao nó que será recomendado

Amigos em comum

Etapa de Ordenação Segundo Índice

Mede o grau de coesão entre o “pequeno” grupo formado pelos amigos em comum

Se o índice tiver um valor baixo então as pessoas dentro deste grupo não são bem relacionadas

Etapa de Ordenação Terceiro Índice

Mede o grau de coesão entre o “grande” grupo formado pelos amigos de ambos os nós

O terceiro e segundo índice, apesar de parecidos, são independentes

Algoritmo Genético

Técnica utilizada para encontrar soluções aproximadas de problemas de otimização e

busca.

Algoritmo Genético Gerar os 3 índices automaticamente para

que possa oferecer a melhor taxa de acerto

Utilizar toda a topologia em volta do nó central Mais quantidade de informação Modificar a etapa de filtragem para

adicionar nós adjacentes

Algoritmo Genético Algoritmo:1. Geração de 200 indivíduos de forma aleatória2. Calcular a função de avaliação para todos os

indivíduos3. Escolher os 13 melhores segundo a função de

avaliação4. Realizar Crossjoin entre os 13 melhores, não podendo

repetir os pesos5. Para cada elemento do item anterior gerar filhos, com

mutação e crossover6. Recalcular a função de avaliação para os nós7. Pegar a média das 7 melhores funções de avaliação8. Enquanto a média da função de avaliação não se

repetir por 4x, repetir os passos de 1 a 7

Algoritmo Genético

200 indivíduos

Calcula função de avaliação

13 melhores indivíduo

s

Gerar filhos

Recalcular função de avaliação

Média das 7

melhores

Crossjoin entre os

13

Experimento do Algoritmo Proposto

Usuários da rede social Oro-Aro Requisitos:

Possuir no mínimo 13 relacionamentos Ter acessado a rede nos últimos 45 dias

70 usuários selecionados Dois sistemas de recomendação

testados, FOF e o Algoritmo Proposto 14 usuários para FOF e 56 para o

Algoritmo Proposto

Resultados Oro-Aro

Friends-of-Friends Algoritmo Proposto

72,22% 77,69%

Extensão do Mecanismo Objetivo

Melhorar taxa de acerto Lever em conta mais dados da topologia,

dados que são exclusivos da Redes Sociais Educacionais

Abordagens propostas Alteração do algoritmo genético Adição de mais um índice que envolva a

topologia de uma rede social educacional Avaliar e aplicar utilizando o Redu (Rede

Social Educacional)

Extensão do Mecanismo Alteração do algoritmo genético

A.G. não converge para determinados dados

Reavaliar a função de avaliação

Extensão do Mecanismo Adição de mais um índice que envolva a

topologia de uma rede social educacional Explocar a hierarquia do Redu

AVA

Curso

Disciplina

Módulos Aulas

Curso Curso

Disciplina

Disciplina

Extensão do Mecanismo

Extensão do Mecanismo Avaliar e aplicar solução no Redu

Escolher usuários para utilizar os 3 tipos de sistemas recomendações existente FOF, baseado em heurísticas e o Algoritmo

Proposto Analisar os pontos positivos de cada

sistema de recomendação Escolher a melhor abordagem para cada

situação

Conclusão Sistema de recomendação é

extremamente necessário pela quantidade de informação (usuário)

Aplicação de várias técnicas auxiliam na resolução de problemas

Quanto mais dados são analisados, menor a eficiência na execução

A topologia é um importante meio para extrair informações

Conclusão As vezes a topologia não é suficiente

para aplicar boas recomendações Para análise da topologia, deve existir

dados suficientes

Dúvidas?

Referências Cho, H., Gay, G., Davidson, B., and Ingraffea, A. R.

(2007). Social networks, communi-cation styles, and learning performance in a cscl community. Computers & Education,49(2), 309–329

Chen, J., Geyer, W., Dugan, C., and Guy, I. Make new friends, but keep the old: recommending people on social networking sites. Proc. CHI, pp. 201-210. 2009.

N. B. Silva, I.FR. Tsang, G. D. C. Cavalcanti, and I.FJ. Tsang, “A graph-based friend recommendation system using genetic algorithm,” in Evolutionary Computation (CEC), 2010 IEEE Congress on, jul. 2010, pp. 1 –7.

http://www.cgi.br/publicacoes/pesquisas/govbr/cgibr-nicbr-censoweb-govbr-2010.pdf



sistema de recomendação de usuários em rede sociais

Documents