Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouBianca Porto Alterado mais de 9 anos atrás
1
Algoritmos Colaborativos para Sistemas de Recomendação
José Graciano Almeida Ramos Orientador: Prof. Doutor Jaime S. Cardoso Responsável no INESC - Porto: Mestre Ricardo Sousa Mestrado Integrado em Engenharia Informática e Computação 20 de Julho de 2010 MIEIC-FEUP
2
Estrutura 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. MIEIC-FEUP
3
Objectivos MIEIC-FEUP
4
Sistemas de Recomendação
Mundo Actual Acesso fácil a novas tecnologias de informação Crescimento exponencial da quantidade de dados a tratar COMO SELECIONAR/ENCONTRAR INFORMAÇÃO? Sorte Maior esforço das partes envolvidas no processo de tomada de decisão Pedir recomendação de um amigo Sistemas de Recomendação MIEIC-FEUP
5
Sistemas de Recomendação
São utilizados pelas empresas para gerar recomendações de novos produtos aos clientes. Apoia nos Algoritmos Colaborativos para gerar recomendações. MIEIC-FEUP
6
Sistemas de Recomendação
MIEIC-FEUP
7
Estado da Arte MIEIC-FEUP
8
Exemplos de Aplicação MIEIC-FEUP
9
Formulação dos Sistemas de Recomendação
U = conjunto de utilizadores Y = conjunto de itens MIEIC-FEUP
10
Classificação dos Algoritmos Colaborativos
MIEIC-FEUP
11
Métodos Baseados em Pesquisa
MIEIC-FEUP
12
Filtragem Baseada no Conteúdo
Talvez seja melhor começar a aprender com as acções dos utilizadores… MIEIC-FEUP
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-FEUP
14
Modelo de Conjuntos MIEIC-FEUP
15
Abordagem Híbrida MIEIC-FEUP
16
MIEIC-FEUP
17
Collaborative Filtering with Interlaced Generalized Linear Models [Delannay e Verleysen]
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. MIEIC-FEUP
18
Descrição do Modelo 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. MIEIC-FEUP
19
Descrição do Modelo MIEIC-FEUP
20
Configuração do Modelo
K = 2 A optimização dos vectores de características é feita utilizando o formalismo dos Modelos Lineares Generalizados. MIEIC-FEUP
21
Filtragem Colaborativa baseada na Média das Avaliações
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 MIEIC-FEUP
22
Filtragem Colaborativa baseada na Média das Avaliações
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. MIEIC-FEUP
23
Filtragem Colaborativa baseada na Média das Avaliações
MIEIC-FEUP
24
Configuração do Modelo
K = 2 MIEIC-FEUP
25
Base de Dados MovieLens 6040 Utilizadores 3900 Filmes (Itens)
Aproximadamente 1 milhão de avaliações discretas no intervalo [1,5] MIEIC-FEUP
26
Desempenho MIEIC-FEUP
27
Desempenho Root Mean Square error (RMSE) Mean Absolut Error (MAE)
MIEIC-FEUP
28
Desempenho MIEIC-FEUP
29
Desempenho MIEIC-FEUP
30
Desempenho MIEIC-FEUP
31
Contribuições 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 MIEIC-FEUP
32
Conclusão 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. MIEIC-FEUP
33
Obrigado MIEIC-FEUP
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.