A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Sistemas de Recomendação Fausto Jose Feitosa Barbosa Gominho (fjfbg) Vinícius Cezar Monteiro de Lira (vcml) 1.

Apresentações semelhantes


Apresentação em tema: "Sistemas de Recomendação Fausto Jose Feitosa Barbosa Gominho (fjfbg) Vinícius Cezar Monteiro de Lira (vcml) 1."— Transcrição da apresentação:

1 Sistemas de Recomendação Fausto Jose Feitosa Barbosa Gominho (fjfbg) Vinícius Cezar Monteiro de Lira (vcml) 1

2 Roteiro Introdução Coleta de Informações Estratégias de Recomendação Técnicas de Recomendação Aplicações Conclusão 2

3 INTRODUÇÃO 3

4 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

5 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

6 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

7 Quem usa? 7

8 COLETA DE INFORMAÇÕES 8

9 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

10 Identificação no servidor 10

11 Identificação no cliente 11 Utiliza cookies para identificar a máquina. Menos confiável

12 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

13 Coleta de Informação Explícita (customização) 13 UsuárioServiços desejados

14 Coleta de Informação Implícita 14 UsuárioItemCategoriaData Acesso

15 ESTRATÉGIAS DE RECOMENDAÇÃO 15

16 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

17 Lista de Recomendação Mantêm listas de itens organizados por tipos de interesses. 17

18 Reputação do Produto Além de comprar um produto o usuário ainda o avalia. É preciso que haja veracidade das opiniões fornecidas. 18

19 Suas Recomendações A lista de itens é inteiramente dedicada ao usuário. 19

20 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

21 Associação por Conteúdo As recomendações são feitas a partir do conteúdo de determinado item, por exemplo um autor, um compositor, um editor, etc 21

22 TÉCNICAS DE RECOMENDAÇÃO 22

23 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

24 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

25 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

26 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

27 Filtragem Baseada em Conteúdo Funcionamento: 27 X-men Titanic O Exorcista Os Vingadores Gostei Recomendado Usuário Atual

28 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

29 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

30 Filtragem Colaborativa Funcionamento: 30 Maria João Catarina Similares Gosta: Filme A Filme B Filme C Gosta: Filme A Filme B Filme C Gosta: Filme F Filme G Filme H

31 Filtragem Colaborativa Exemplo: Recomendar um produto ao usuário Mauro: 31 Os produtos Prod1e Prod5 seriam recomendados a Mauro.

32 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

33 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

34 APLICAÇÕES 34

35 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

36 CineDica 36 Sistema de recomendação para filmes e seriados Informações de Profile Marcar inicialmente filmes que gostou

37 CineDica 37

38 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

39 Last.fm 39

40 Youtube 40 YouTube: Sugestão de vídeos. Lista de recomendação. Associação de conteúdo.

41 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.

42 Amazon 42 Avaliações dos usuários

43 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.

44 TENDÊNCIAS E CONCLUSÃO 44

45 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

46 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

47 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. 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. SBC%202005/pdf/arq0287.pdf (acesso em 15 de 10 de 2012). 47

48 Referências Souza, Renata Ghisloti Duarte. Aplicando Sistemas de Recomendação em Situações Práticas. s.d. emas_recomendacao/index.html (acesso em 11 de 10 de 2012). Caraciolo, Marcel Pinheiro – Sistema de Recomendação Personalizando sua experiência de compra. s.d. recomendao-e-inteligncia-coletiva (acesso em 14 de 10 de 2012). 48

49 OBRIGADO Fausto Jose Feitosa Barbosa Gominho Vinícius Cezar Monteiro de Lira 49


Carregar ppt "Sistemas de Recomendação Fausto Jose Feitosa Barbosa Gominho (fjfbg) Vinícius Cezar Monteiro de Lira (vcml) 1."

Apresentações semelhantes


Anúncios Google