Apresentação Intermédia José Graciano Almeida Ramos Orientador: Professor Dr. Jaime S. Cardoso Responsável INESC Porto : MSc. Ricardo Sousa 1 FEUP-MIEIC.

Apresentação em tema: "Apresentação Intermédia José Graciano Almeida Ramos Orientador: Professor Dr. Jaime S. Cardoso Responsável INESC Porto : MSc. Ricardo Sousa 1 FEUP-MIEIC."— Transcrição da apresentação:

1 Apresentação Intermédia José Graciano Almeida Ramos Orientador: Professor Dr. Jaime S. Cardoso Responsável INESC Porto : MSc. Ricardo Sousa 1 FEUP-MIEIC

2 2 Os Algoritmos colaborativos utilizados em sistemas de recomendação têm adquirido elevada importância maioritariamente devido ao seu uso no comércio electrónico como é o caso da Amazon. O sistema tendo em conta a informação do histórico de compras efectuadas por um cliente irá gerar uma lista de recomendações para futuras aquisições que não tenham sido consideradas até então.

3 FEUP-MIEIC 3

4 4 Estudo dos sistemas de recomendação identificando os vários algoritmos existentes. Implementação e aperfeiçoamento de um algoritmo identificado como promissor

5 FEUP-MIEIC 5 Implementação e aperfeiçoamento de um algoritmo identificado no levantamento do estado de arte. Melhorar a qualidade da recomendação gerada com grandes quantidades de dados.

6 FEUP-MIEIC 6 Classificação dos Algoritmos Colaborativos o Métodos baseados em pesquisa o Filtragem baseada em conteúdo o Filtragem colaborativa o Modelo de conjuntos – Cluster o Filtragem colaborativa item-a-item o Abordagem híbrida

7 FEUP-MIEIC 7 Métodos baseados em pesquisa o Trata o problema como uma procura de itens relacionados entre si. Exp: Procura por itens do mesmo autor, artista, realizador… o Problema: Para utilizadores com muitas avaliações é impraticável realizar pesquisas com todos as avaliações disponíveis. o Solução Usar sub-conjunto de dados, o que reduz a qualidade da recomendação.

8 FEUP-MIEIC 8 Filtragem baseada em conteúdo o Gera recomendações baseadas na análise do conteúdo dos itens e no perfil do utilizador. Baseia na informação obtida de forma implícita ou explicita. o Problema O uso de questionários para obter informações é incómoda para o cliente. o Solução Usar algoritmos que apreendem com as acções do cliente.

9 FEUP-MIEIC 9 Filtragem colaborativa o Colmata pontos que ficaram em aberto na filtragem baseada no conteúdo. A recomendação é baseada em itens que pessoas com gostos similares apreciaram no passado o Vantagem Permite gerar recomendações inesperadas o Desvantagem A sua aplicação é computacionalmente dispendiosa

10 FEUP-MIEIC 10 Modelo de conjuntos - Cluster

11 FEUP-MIEIC 11 Filtragem colaborativa Item-a-Item o Desenvolvido pela Amazon devido à dificuldade dos algoritmos existentes em escalar a sua grande quantidade de dados. o Produz recomendações do boa qualidade em tempo real. o Gera recomendações baseado em tabelas de itens similares que são construidas off-line.

12 FEUP-MIEIC 12 Abordagem Híbrida o Combina métodos colaborativos e métodos baseado em conteúdo. Gera recomendações de maior qualidade. o Pode ser realizada de quatro formas: 1. Combinar as recomendações obtidas separadamente 2. Adicionar características dos métodos baseados em conteúdo aos modelos colaborativos 3. Adicionar características colaborativas aos modelos baseados em conteúdo 4. Desenvolver um modelo único unificador de recomendação

13 FEUP-MIEIC 13 Problemas dos algoritmos colaborativos o Análise limitada de conteúdos o Super especialização o Problema do novo utilizador o Problema do novo item o Disparidade

14 FEUP-MIEIC 14 Melhorias propostas o Compreensão detalhada dos utilizadores e dos itens o Extensões para técnicas de recomendação baseada em modelos o Multi-dimensionalidade da recomendação Avaliações Multi-Critérios Intrusividade Flexibilidade Eficácia da recomendação

15 FEUP-MIEIC 15 Revisão Tecnológica

16 FEUP-MIEIC 16 Revisão Tecnológica o Ferramenta robusta em problemas de optimização o Incorpora Toolboxes relacionadas com algoritmos identificados no estado da arte o Útil na análise de dados e facilita implementação inicial de algoritmos o Possibilidade de integrar código com aplicações desenvolvidos noutras linguagens de programação

17 FEUP-MIEIC 17 o Redes neuronais o Algoritmo do vizinho mais próximo o K-means o Modelos Bayesianos o Cadeias de Markov o CART o Algoritmos genéticos o SVR Revisão dos Métodos Científicos

18 FEUP-MIEIC 18

19 FEUP-MIEIC 19