Orientador: Prof. Msc. Silvio César Cazella Um protótipo de aplicação para recomendação de produtos baseado no interesse e comportamento de consumo do.

Apresentação em tema: "Orientador: Prof. Msc. Silvio César Cazella Um protótipo de aplicação para recomendação de produtos baseado no interesse e comportamento de consumo do."— Transcrição da apresentação:

1 Orientador: Prof. Msc. Silvio César Cazella Um protótipo de aplicação para recomendação de produtos baseado no interesse e comportamento de consumo do usuário 01/33 Aluno: Fábio Bressler

2 Roteiro Sobrecarga de Informação Sobrecarga de Informação Motivação e Objetivos Motivação e Objetivos Filtragem de Informação Filtragem de Informação Sistema de Recomendação Sistema de Recomendação Mineração de Dados Mineração de Dados Metodologia Aplicada Metodologia Aplicada Protótipo Protótipo Experimento Experimento Conclusão Conclusão Trabalhos Futuros Trabalhos Futuros 02/33

3 Sobrecarga de Informação 03/33

4 Grandes quantidades e variedades de informações disponíveis na Internet Grandes quantidades e variedades de informações disponíveis na Internet Dificuldade de filtrar as informações desejdas Dificuldade de filtrar as informações desejdas A revolução dos códigos de barras em supermercados e o comércio eletrônico A revolução dos códigos de barras em supermercados e o comércio eletrônico ……… ….. ……… 04/33

5 Motivação e Objetivos 05/33

6 A principal motivação do trabalho concentra-se em criar uma forma diferenciada para fazer recomendações de softwares aos usuários que utilizam sites de downloads de softwares 06/33

7 Criar um protótipo de um sistema de recomendação baseado nos interesses e no comportamento dos usuários Criar interfaces de captura de informações Criar interfaces de captura de informações Analisar as ações de downloads dos usuários através da produção de dados sintéticos Analisar as ações de downloads dos usuários através da produção de dados sintéticos Aplicar tarefas de minerção de dados na busca de similaridades entre usuários e ações de usuários Aplicar tarefas de minerção de dados na busca de similaridades entre usuários e ações de usuários Criar agente de comunicação via tecnologia push Criar agente de comunicação via tecnologia push Objetivo principal : Objetivos secundários: 07/33

8 Filtragem de Informação 08/33

9 Como encontrar o que interessa? Esforço próprio? Esforço próprio? Sorte? Sorte? Recomendações de conhecidos? Recomendações de conhecidos? Técnicas Existentes: Filtragem Baseada em Conteúdo Filtragem Baseada em Conteúdo Filtragem Colaborativa (Social) Filtragem Colaborativa (Social) 09/33

10 Recomenda itens para o usuário baseado na correlação entre o conteúdo dos itens e as preferências dos usuários e/ou consumos anteriores Quais os itens que melhor atendem as minhas necessidades de acordo com o seu conteúdo? Filtragem Baseada em Conteúdo Item => Caixa-Branca 10/33

11 Itens são recomendados a um usuário de acordo com as avaliações feitas por usuários com preferências silimares Quais os itens que melhor atendem as minhas necessidades de acordo com a opinião do grupo? Filtragem Colaborativa (Social) Item => Caixa-Preta 11/33

12 Filtragem Híbrida Baseada em Conteúdo Colaborativa Bons resultados para usuários incomuns Precisão independente do número de usuários Recomendações de itens diretamente relacionado ao histórico de consumo Descoberta de novos relacionamentos entre usuários Recomendação de itens diretamente relacionado ao histórico de avaliações comuns 12/33

13 Sistema de Recomendação 13/33

14 Podem ser baseados na: Identificação do perfil do usuário (FBC) Identificação do perfil do usuário (FBC) Identificação dos gostos semelhantes dos usuários (FC) Identificação dos gostos semelhantes dos usuários (FC) Processo sistematizado para predizer itens que devem ser recomendados aos usuários, pois considera-se que estes teriam interesse nos mesmos 14/33

15 Sistemas existentes: Ringo (filtragem social) Recomendações de músicas por e-mail. GroupLens (filtragem social) Encontrar artigos para o usuário em um sistema de news. Fab (filtragem híbrida) Recomendação de documentos encontrados na Web. Amazon.com TM Comércio eletrônico com recomendação de itens. eBay TM Leilões online com avaliações de parceiros de negócio. 15/33

16 Mineração de Dados 16/33

17 Os sistemas de recomendação utilizam algoritmos próprios para a geração das recomendações, mas, devido a quantidade de dados gerados, pode-se aplicar a mineração de dados em busca de padrões A mineração de dados é uma das etapas do processo de Descoberta de Conhecimento em Banco de Dados (DCBD) 17/33

18 Regras de Classificação Descoberta de relacionamento entre atributos preditivos e o objetivo Regras de Associação Padrão de relacionamento entre itens de dados em uma base de dados (basket analysis) Tarefas de Mineração de Dados 18/33

19 Metodologia Aplicada 19/33

20 Para contemplar os objetivos propostos as seguintes etapas metodológicas foram cumpridas: Criação de páginas Web (PHP) associados ao banco de dados PostgreSQL Criação de páginas Web (PHP) associados ao banco de dados PostgreSQL Criação de scripts (Perl) automatizados gerando valores aleatórios para simular a realidade Criação de scripts (Perl) automatizados gerando valores aleatórios para simular a realidade Utilização das ferramentas de mineração de dados C4.5 e WEKA para encontrar regras de classificação e associação respectivamente Utilização das ferramentas de mineração de dados C4.5 e WEKA para encontrar regras de classificação e associação respectivamente Contrução do agente de comunicação em linguagem Java através de sockets utilizando o modelo cliente/servidor Contrução do agente de comunicação em linguagem Java através de sockets utilizando o modelo cliente/servidor 20/33

21 Protótipo 21/33

22 Recomendações Macro (Categorias) Cadastro de Usuários Descoberta de Classificações (Categorias) Recomendações de Categorias Recomendações Micro (Softwares) Downloads de Softwares Descoberta de Associações (Softwares) Recomendações de Softwares 22/33

23 RecomendaçõesMacro RecomendaçõesMicro 23/33

24 Experimento 24/33

25 Os perfis dos usuários foram gerados de forma proporcional em relação a cada atributo, mas em relação a sua totalidade os usuários ficaram bem diferenciados 5 x 1.000 => 5.000 usuários Valor suficiente para uma população de 1 milhão de usuários com uma confiança de 99% com variação de 2% (+/-) Valores sintéticos (perfis) 25/33

26 Os perfis dos usuários sofreram a ação da mineração de dados para recomendar novas categorias de softwares Erro / Acerto das regras = 59% / 41% Regras = 35% => 1.399 recom. Regras = 35% => 1.399 recom. Oportunidades = 45% => 1.552 recom. Oportunidades = 45% => 1.552 recom. Novas Recomendações => 2.951 recom. Novas Recomendações => 2.951 recom. Utilização da ferramenta C4.5 para encontrar regras de classificação Recomendações Macro 26/33

27 Esta enorme quantidade de downloads simulou uma grande participação dos usuários cadastrados no sistema proposto 1-10 x cat-usr => 56.402 downloads Valor gerado a partir da simulação onde cada categoria macro de cada usuário pode gerar entre 1 e 10 downloads Valores sintéticos (downloads) 27/33

28 Os downloads dos usuários sofreram a ação da mineração de dados para recomendar novos softwares Suporte mínimo = 5% Confiança = 80% => 14.232 recomendações de softwares Utilização da ferramenta WEKA para encontrar regras de associação Recomendações Micro 28/33

29 Conclusão 29/33

30 Este trabalho proporcionou um modelo diferenciado de recomendar produtos baseado no perfil (macro) e nas colaborações (micro) através de um agente de comunicação autônomo A funcionalidade do protótipo foi comprovada pela sua execução de forma simulada com dados sintéticos 30/33

31 Trabalhos Futuros 31/33

32 Execução do sistema com usuários reais Execução do sistema com usuários reais Experimentar diferentes algoritmos de mineração de dados Experimentar diferentes algoritmos de mineração de dados Inclusão de módulo de avaliação (rating) de recomendações em escala (feedback) Inclusão de módulo de avaliação (rating) de recomendações em escala (feedback) Refinamento da interface de recomendação Refinamento da interface de recomendação Incluir algoritmos que permitam calcular a confiança entre usuários que recebem e recomendam itens Incluir algoritmos que permitam calcular a confiança entre usuários que recebem e recomendam itens Trabalhas recursos que foquem na explanação da recomendação Trabalhas recursos que foquem na explanação da recomendação 32/33

33 Perguntas? 33/33