A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Um serviço de recomendação inter-aplicações baseado em filtragem colaborativa Aluno: Jefferson Silva de Amorim Orientador: Prof. Dr. Byron Leite Dantas.

Apresentações semelhantes


Apresentação em tema: "Um serviço de recomendação inter-aplicações baseado em filtragem colaborativa Aluno: Jefferson Silva de Amorim Orientador: Prof. Dr. Byron Leite Dantas."— Transcrição da apresentação:

1 Um serviço de recomendação inter-aplicações baseado em filtragem colaborativa Aluno: Jefferson Silva de Amorim Orientador: Prof. Dr. Byron Leite Dantas Bezerra ESCOLA POLITÉCNICA DE PERNAMBUCO

2 Objetivos Realizar uma revisão da literatura e propor novos sistemas e técnicas de recomendação inter-aplicações Adaptar a implementação de uma técnica de filtragem colaborativa para realizar recomendações inter-aplicações Desenvolver um Web Service que expõe as principais funcionalidades da técnica de filtragem colaborativa adaptada

3 Objetivos Desenvolver uma ferramenta web para coleta de dados e suporte à análise de recomendações Analisar as recomendações realizadas pelo serviço de recomendação desenvolvido

4 Conceitos fundamentais

5 Sistemas de Recomendação Se utilizam de tecnologias de personalização Oferecem uma experiência personalizada aos usuários Possuem geralmente 2 funcionalidades: – Predizer Nota – Gerar Lista Personalizada

6 Sistemas de Recomendação Engenho de personalização

7 Sistemas de Recomendação Personalização de conteúdo – Utiliza de informações do usuário para recomendar itens – Função utilidade

8 Sistemas de Recomendação Técnicas de personalização de conteúdo – Baseada em conteúdo – Filtragem colaborativa – Demográfica

9 Sistemas de Recomendação Filtragem colaborativa – Duas abordagens podem ser utilizadas para definir a função utilidade: Memory-based – Definem-se heurísticas Model-based – Define-se um modelo a partir das avaliações

10 Sistemas de Recomendação Filtragem colaborativa (Memory-based) – Medida de similaridade Coeficiente de correlação de Pearson – Função utilidade Baseada em kNN

11 Sistemas de Recomendação Filtragem colaborativa (Memory-based) – Vantagens: Recomendação inovadoras e surpreendentes Alto grau de reusabilidade Facilidade de extensão – Desvantagens Problemas – Novo usuário – Novo item – Esparsidade – Ovelhas negras

12 Arquitetura Orientada a Serviços Unidades lógicas representadas como pequenas unidades Utiliza o paradigma de orientação a serviços Características: – Direcionada ao negócio – Independente de plataforma – Centrada na empresa – Direcionada à composição

13 Arquitetura Orientada a Serviços Serviço

14 Arquitetura Orientada a Serviços Web Services

15 Arquitetura Orientada a Serviços Princípios de orientação a serviços

16 Metodologia proposta

17 Sistema de recomendação inter- aplicações Modelo conceitual

18 Inter-Applications Recommendation Service Desenvolvido utilizando as tecnologias: – Java EE – JBoss AS – MySQL – Mahout

19 Inter-Applications Recommendation Service Modelo arquitetural

20 Inter-Applications Recommendation Service Módulo de Serviço

21 Inter-Applications Recommendation Service Módulo de Contextualização

22 Inter-Applications Recommendation Service Módulo de Contextualização – Descontextualização – Contextualização

23 Inter-Applications Recommendation Service Módulo de Recomendação

24 Inter-Applications Recommendation Service Módulo de Recomendação – Adaptações realizadas em 2 momentos: Coeficiente de correlação de Pearson Cálculo da utilidade

25 Inter-Applications Recommendation Service Exemplo

26 Inter-Applications Recommendation Service Repositório de Conhecimento

27 Análises e Resultados

28 Coleta de dados e análise de recomendações Ferramenta desenvolvida para dar suporte a coleta de dados e as análises realizadas – JSF – Facelets – Primefaces Composta por 3 módulos – Coleta de dados – Recomendação – Usuário

29 Coleta de dados e análise de recomendações Módulo de coleta de dados

30 Coleta de dados e análise de recomendações Módulo de recomendação

31 Coleta de dados e análise de recomendações Módulo de usuário

32 Coleta de dados e análise de recomendações Base de dados – Existentes Wikilens, MovieLens, Book-Crossing e Jester Joke – Coletada 3 contextos 30 itens/contexto 52 usuários 1560 avaliações

33 Coleta de dados e análise de recomendações Análise das recomendações – Recomendação inter-aplicações X Recomendação clássica Itens recomendados Vizinhos do usuário

34 Coleta de dados e análise de recomendações Itens recomendados – Novos itens

35 Coleta de dados e análise de recomendações Itens recomendados – Omissão de itens

36 Coleta de dados e análise de recomendações Itens recomendados – Itens com notas e ordens de utilidade iguais

37 Coleta de dados e análise de recomendações Itens recomendados – Itens com notas iguais e ordens de utilidade diferentes

38 Coleta de dados e análise de recomendações Itens recomendados – Itens iguais com notas diferentes

39 Coleta de dados e análise de recomendações Vizinhos do usuário – Vizinhos iguais com mesma ordem de semelhança

40 Coleta de dados e análise de recomendações Vizinhos do usuário – Vizinhos iguais com ordens de semelhança diferentes

41 Coleta de dados e análise de recomendações Vizinhos do usuário – Vizinhos diferentes

42 Coleta de dados e análise de recomendações Vizinhos do usuário – Vizinhança híbrida

43 Considerações finais

44 Resultados e Dificuldades Resultados promissores – Ameniza alguns problemas Novo usuário e Ovelha negra – Problemas como o do novo item e de esparsidade persistem Houve dificuldade em encontrar uma base de dados para teste – Coleta de dados

45 Trabalhos futuros Experimentos baseados em análises estatísticas Outras técnicas de filtragem – CMBF, SMBF e HMBF Representação do conteúdo descritivo de itens pertencentes a diferentes aplicações – Análise de Dados Simbólicos

46 Referências

47 Referências

48 Referências

49 Obrigado! O código fonte do projeto está disponível em


Carregar ppt "Um serviço de recomendação inter-aplicações baseado em filtragem colaborativa Aluno: Jefferson Silva de Amorim Orientador: Prof. Dr. Byron Leite Dantas."

Apresentações semelhantes


Anúncios Google