Sistema de Recomendação de Usuários em Rede Sociais

Apresentação em tema: "Sistema de Recomendação de Usuários em Rede Sociais"— Transcrição da apresentação:

1 Sistema de Recomendação de Usuários em Rede Sociais
Natália Cabral e Tiago Ferreira

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

3 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 ( )

4 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

5 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.”

6 Sistema de Recomendação
Um sistema que tenta prever o gosto de cada usuário baseado em informação submetida por si e pelos restantes utilizadores.

7 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

8 Sistemas de Recomendação de Usuários
Facebook

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

10 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?

11 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

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

13 Baseado na Estrutura da Rede
Algoritmos Content Matching Content-plus-Link  Baseado em Conteúdo Friend-of-Friend SONAR  Baseado na Estrutura da Rede

14 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

15 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 Link válido: sequencia de 3 ou quatro usuarios que fazem os eventos: a se conectou com B, A comentou em B, B conectou com A

16 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

17 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

18 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 Se um usuario já foi recomendando por outro algoritmo, o proximo é colocado.

19 Primeiro Experimento: Personalized Survey
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? Se um usuario já foi recomendando por outro algoritmo, o proximo é colocado.

20 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

21 Resultados do Primeiro Experimento
FOF e SONAR tiveram maior percetagem de GOOD RECOMENDATION Quanto mais pessoas conhecidas forem recomendadas, melhor avaliado é o sistema O Content Mathcing obteve a maior quantidade de recomendações de desconhecidos consideradas boas

22 Resultados do Primeiro Experimento
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

23 Resultados do Primeiro Experimento
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

24 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 recomendação Depois de responder a recomendação, outra pessoa era recomendada. Foi gerada 30 recomendações para cada pessoa. Cada grupo tinha 600 pessas, totalizando em 3000.

25 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 Content 59,7% 47,7% 40,0% 30,5%

26 Resultados do Segundo Experimento
Sistemas de recomendação são efetivos em aumentar a quantidade de atividades no site: Content Matching Content plus Link Friend of Friend SONAR Nenhum sistema de recomendação + 13,7% -24,4%

27 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

28 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

29 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

30 Algoritmo Proposto Dissertação 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

31 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 Quando filtraram os relacionamento unicamente unidirecionais diminui a quantidade de arestas dem 29% e de nós em 8%

32 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

33 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”

34 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

35 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

36 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

37 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

38 Algoritmo Genético Técnica utilizada para encontrar soluções aproximadas de problemas de otimização e busca.

39 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

40 Algoritmo Genético Algoritmo:
Geração de 200 indivíduos de forma aleatória Calcular a função de avaliação para todos os indivíduos Escolher os 13 melhores segundo a função de avaliação Realizar Crossjoin entre os 13 melhores, não podendo repetir os pesos Para cada elemento do item anterior gerar filhos, com mutação e crossover Recalcular a função de avaliação para os nós Pegar a média das 7 melhores funções de avaliação Enquanto a média da função de avaliação não se repetir por 4x, repetir os passos de 1 a 7

41 Algoritmo Genético 200 indivíduos Crossjoin entre os 13
Calcula função de avaliação Gerar filhos Recalcular função de avaliação 13 melhores indivíduos Média das 7 melhores

42 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

43 Resultados Oro-Aro Friends-of-Friends Algoritmo Proposto 72,22% 77,69%

44 Extensão do Mecanismo Objetivo Abordagens propostas
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)

45 Extensão do Mecanismo Alteração do algoritmo genético
A.G. não converge para determinados dados Reavaliar a função de avaliação

46 Extensão do Mecanismo Adição de mais um índice que envolva a topologia de uma rede social educacional Explocar a hierarquia do Redu

47 Extensão do Mecanismo AVA Curso Curso Curso Disciplina Disciplina
Módulos Aulas

48 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

49 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

50 Conclusão As vezes a topologia não é suficiente para aplicar boas recomendações Para análise da topologia, deve existir dados suficientes

51 Dúvidas?

52 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 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. censoweb-govbr-2010.pdf