Aprendizado de Máquina

Apresentação em tema: "Aprendizado de Máquina"— Transcrição da apresentação:

1 Aprendizado de Máquina
Prof. Eduardo Bezerra CEFET/RJ - PPCIC

2 Sistemas de Recomendação

3

4 Esta página foi intencionalmente deixada em branco.

5 Formulação do Problema

6 Recomendações em Todo Lugar

7 Exemplo: predizer avaliações de filmes
Considere que usuários atribuem avaliações a filmes com notas de 1 até 5. Considere também nota 0 para facilitar a matemática.

8 Notação

9 Notação - exemplo Considerando os dados acima, quais os valores abaixo?

10 Formulação do Problema
Dado como entrada um conjunto de treinamento na forma das matrizes o problema de recomendação consiste em predizer os valores indefinidos em

11 Recomendação Baseada em Conteúdo
Em que estudamos a recomendação baseada em conteúdo (content based recomendation), na qual existe um vetor características para cada item a ser recomendado.

12 Recomendação Baseada em Conteúdo
Como determinar esses valores?

13 Recomendação Baseada em Conteúdo
Na RBC, consideramos que cada filme está associado a um vetor de características.

14 Recomendação Baseada em Conteúdo

15 Recomendação Baseada em Conteúdo
Para cada usuário j, , devemos aprender um vetor de parâmetros Após isso, podemos predizer a avaliação do usuário j para o filme i computando: Nesse modelo, predizer as avaliações de um usuário é um problema de regressão linear.

16 Recomendação Baseada em Conteúdo
Em geral, para o usuário j, , desejamos resolver: Apenas sobre os itens que o usuário j avaliou. Repare que a regularização não considera o primeiro componente do vetor de parâmetros

17 Considerando que é uma constante, podemos reescrever a expressão anterior:

18 Para aprender os parâmetros para todos os usuários, a expressão de minimização é:

19 Sendo assim, dada a função objetivo abaixo
Podemos aplicar o GD para minimizar:

20 Filtragem Colaborativa
Em que estudamos a recomendação baseada em filtragem colaborativa (colaborative filtering).

21 Filtragem Colaborativa
Essa abordagem para construção de um modelo de recomendação tem a vantagem de realizar o que chamamos de aprendizado de características (feature learning).

22 Exemplo de Motivação A tarefa de construir características para cada item é trabalhosa e consome tempo.

23 Exemplo de Motivação (cont.)
Vamos então presumir que as características não são conhecidas.

24 Exemplo de Motivação (cont.)
Vamos considerar que são conhecidos os vetores de parâmetros para cada usuário. Podem ter sido fornecidos pelos próprios usuários. De posse desses dados, é possível determinar os valores de x1 e x2 para cada filme...

25 Formalização (para um item)
Dados Para aprender (i.e., as características para o item ), devemos resolver:

26 Formalização (para todos os itens)
Dados Para aprender , , devemos resolver:

27 Aprendizagem alternada
Antes, vimos que, dados , é possível aprender os parâmetros Por outro lado, acabamos de ver que, dados os parâmetros , é possível aprender as características Com base nisso, um algoritmo básico de filtragem colaborativa pode ser construído...

28 Aprendizagem alternada
Algoritmo Básico Iniciar de forma aleatória. Computar usando os atuais Computar usando os atuais ....

29 Dados , estimamos Dados , , estimamos

30 Podemos unificar as duas expressões anteriores:

31

32 Algoritmo 1) Iniciar (números aleatórios pequenos):
2) Minimizar usando o GD (ou variante), i.e., para

33 Algoritmo (cont.) 3) Dados um usuário com parâmetros T e
características (aprendidas) , predizer a avaliação usando:

34 Em que estudamos uma forma de vetorizar a implementação do algoritmo para filtragem colaborativa.

35

36

37 Dada a matriz abaixo, é possível vetorizar o algoritmo de filtragem colaborativa.

38 Encontrando Itens Relacionados
Em que estudamos de que forma usar as características aprendidas para encontrar itens relacionados.

39 Encontrando Filmes Relacionados
Com a filtragem colaborativa, aprendemos um vetor de características para cada item (filme). Essas características (de uma forma não intuitiva) capturam as propriedades mais salientes dos filmes. De que forma encontrar os filmes relacionados a um dado filme?

40 Encontrando Filmes Relacionados
De que forma encontrar os filmes relacionados a um dado filme ? Basta encontrar os k filmes mais próximos de :

41

42 Encontrando Itens Relacionados
Em que estudamos de que forma usar as características aprendidas para encontrar itens relacionados.

43

44 Normalização pela Média
A normalização pela média (mean normalization) tem o propósito de consertar o problema levantado. Inicialmente, calculamos a avaliação média de cada filme:

45 Normalização pela Média
A seguir, subtrair o vetor média de cada linha da matriz Y: Usar a matriz Y transformada como entrada da filtragem colaborativa.

46 Para predizer a avaliação do usuário j para o filme i, temos:
Para o usuário sem avaliação alguma, o algoritmo irá predizer .