A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Algoritmos Colaborativos para Sistemas de Recomendação Algoritmos Colaborativos para Sistemas de Recomendação José Graciano Almeida Ramos Orientador: Prof.

Apresentações semelhantes


Apresentação em tema: "Algoritmos Colaborativos para Sistemas de Recomendação Algoritmos Colaborativos para Sistemas de Recomendação José Graciano Almeida Ramos Orientador: Prof."— Transcrição da apresentação:

1 Algoritmos Colaborativos para Sistemas de Recomendação Algoritmos Colaborativos para Sistemas de Recomendação José Graciano Almeida Ramos Orientador: Prof. Doutor Jaime S. Cardoso Responsável no INESC - Porto: Mestre Ricardo Sousa MIEIC-FEUP1 Mestrado Integrado em Engenharia Informática e Computação 20 de Julho de 2010

2 Estrutura MIEIC-FEUP2 Objectivos Sistemas de Recomendação Estado da Arte Exemplos da Aplicação dos Sistemas de Recomendação Formulação dos Algoritmos Colaborativos Classificação dos Algoritmos Colaborativos Collaborative Filtering with Interlaced Generalized linear Models Filtragem Colaborativa baseada na Média das avaliações.

3 Objectivos MIEIC-FEUP3

4 Mundo Actual Acesso fácil a novas tecnologias de informação Sistemas de Recomendação MIEIC-FEUP4 Crescimento exponencial da quantidade de dados a tratar Pedir recomendação de um amigo Maior esforço das partes envolvidas no processo de tomada de decisão Sorte Sistemas de Recomendação COMO SELECIONAR/ENCONTRAR INFORMAÇÃO?

5 Sistemas de Recomendação MIEIC-FEUP5 São utilizados pelas empresas para gerar recomendações de novos produtos aos clientes. Apoia nos Algoritmos Colaborativos para gerar recomendações.

6 Sistemas de Recomendação MIEIC-FEUP6

7 Estado da Arte MIEIC-FEUP7

8 Exemplos de Aplicação MIEIC-FEUP8

9 Formulação dos Sistemas de Recomendação MIEIC-FEUP9 U = conjunto de utilizadores Y = conjunto de itens

10 Classificação dos Algoritmos Colaborativos MIEIC-FEUP10

11 Métodos Baseados em Pesquisa MIEIC-FEUP11

12 Filtragem Baseada no Conteúdo MIEIC-FEUP12 Talvez seja melhor começar a aprender com as acções dos utilizadores…

13 Filtragem Colaborativa A filtragem colaborativa (FC) pode ser descrita como a tarefa de identificar (filtrar) interesses dos utilizadores através da aprendizagem de relações com outros utilizadores (colaboração). A recomendação é baseada em produtos que pessoas com gostos e preferências similares apreciaram no passado. MIEIC-FEUP13

14 Modelo de Conjuntos MIEIC-FEUP14

15 Abordagem Híbrida MIEIC-FEUP15

16 MIEIC-FEUP16

17 Collaborative Filtering with Interlaced Generalized Linear Models [Delannay e Verleysen] MIEIC-FEUP17 Procura identificar interesses dos utilizadores através da similaridade dos seus comportamentos. Centra-se na previsão de novas avaliações baseada na factorização da matriz das avaliações e na utilização de modelos probabilísticos para representar incertezas nas avaliações.

18 Descrição do Modelo MIEIC-FEUP18 Os Utilizadores e os Itens são representados por vectores de características que representam os parâmetros principais do modelo. A previsão da avaliação atribuída por um utilizador a um determinado item é representada como o produto entre os respectivos vectores de características. O vector de características do utilizador é entendido como diferentes sensibilidades a um conjunto de aspectos que descrevem os itens e o vector de características dos itens corresponde a esses aspectos.

19 Descrição do Modelo MIEIC-FEUP19

20 Configuração do Modelo MIEIC-FEUP20 K = 2 A optimização dos vectores de características é feita utilizando o formalismo dos Modelos Lineares Generalizados.

21 Filtragem Colaborativa baseada na Média das Avaliações MIEIC-FEUP21 Neste modelo mantêm-se a ideia chave do GLM entrelaçado que é representar os utilizadores e os itens por vector de características. A apreciação dos itens expressa pelos utilizadores é estimada pelo produto dos respectivos vectores de características

22 Filtragem Colaborativa baseada na Média das Avaliações MIEIC-FEUP22 Os vectores de características são optimizados aplicando a técnica de regressão linear regularizada. Com a aplicação da regressão linear pretende-se estudar a dependência entre as avaliações atribuídas por um utilizador a um determinado item e as características dos utilizadores e dos itens, ou seja, como é que as características dos utilizadores e dos itens influenciam no processo de avaliação.

23 Filtragem Colaborativa baseada na Média das Avaliações MIEIC-FEUP23

24 Configuração do Modelo MIEIC-FEUP24 K = 2

25 Base de Dados MovieLens ◦ 6040 Utilizadores ◦ 3900 Filmes (Itens) ◦ Aproximadamente 1 milhão de avaliações discretas no intervalo [1,5] MIEIC-FEUP25

26 Desempenho MIEIC-FEUP26

27 Desempenho MIEIC-FEUP27 Root Mean Square error (RMSE) Mean Absolut Error (MAE)

28 Desempenho MIEIC-FEUP28

29 Desempenho MIEIC-FEUP29

30 Desempenho MIEIC-FEUP30

31 Contribuições MIEIC-FEUP31 Levantamento do estado da arte sobre algoritmos colaborativos e sistemas de recomendação Estudo comparativo de diferentes abordagens de sistemas de recomendação Apresentação de uma nova abordagem híbrida para algoritmos colaborativos

32 Conclusão MIEIC-FEUP32 Na última década os algoritmos colaborativos têm adquirido uma importância considerável, conseguindo avanços significativos devido ao surgimento de novas abordagens para o problema. Apesar deste avanço, continuam a necessitar de optimizações para poderem ser aplicadas em situações da vida real. Na maioria das situações é preciso considerar informações provenientes de vários contextos, o que não é considerado pela geração actual de algoritmos colaborativos por se encontrarem centralizados apenas na informação dos itens e dos utilizadores.

33 MIEIC-FEUP33 Obrigado


Carregar ppt "Algoritmos Colaborativos para Sistemas de Recomendação Algoritmos Colaborativos para Sistemas de Recomendação José Graciano Almeida Ramos Orientador: Prof."

Apresentações semelhantes


Anúncios Google