Anderson Berg Orientador: Prof. Fernando Buarque

Apresentação em tema: "Anderson Berg Orientador: Prof. Fernando Buarque"— Transcrição da apresentação:

1 Anderson Berg Orientador: Prof. Fernando Buarque
Sistema de recomendação para clientes de vídeo locadoras baseado em redes SOM Anderson Berg Orientador: Prof. Fernando Buarque

2 Problema Sobrecarga de informação em sistemas computacionais
Diversidade de produtos, volume grande de informação Clientes precisam procurar opiniões

3 Objetivo Auxiliar clientes de vídeo locadoras a escolher filmes
Prova de conceito de sistema de recomendação utilizando redes SOM

4 Conceitos Fundamentais
Sistemas de recomendação Redes SOM

5 Sistemas de recomendação
Desenhado para resolver o problema da sobrecarga de informação Nasceu da necessidade de filtrar ou recuperar informação Largamente utilizado por comércio eletrônico Marketing direto

6 Estratégias Listas de recomendação Avaliação de usuários
Suas recomendações Clientes que adquiriram X também compraram Y Associação por conteúdo

7 Técnicas de filtragem Baseada em conteúdo Colaborativa Híbrida

8 Filtragem baseada em conteúdo
Raízes no processo de recuperação de informação Baseadas no perfil do usuário previamente construído O perfil é conhecido através do conteúdo dos itens investigados

9 Filtragem baseada em conteúdo
Vantagens: Não são necessárias qualificações Se baseia apenas no conteúdo de itens, portanto não se restringe a itens já avaliados

10 Filtragem baseada em conteúdo
Desvantagens: Só avalia textos, não sendo possível avaliar qualidade do texto ou de autores dos textos Superespecialização

11 Filtragem colaborativa
Mais comum Similaridade entre usuários Avaliações de itens

12 Filtragem colaborativa
Vantagens: É possível avaliar qualidade de textos Melhor qualidade de recomendações

13 Filtragem colaborativa
Desvantagens Problema do novo item: é preciso algum usuário avaliar para este item ser recomendado Usuários ovelhas-negras, não há usuários semelhantes a estes no sistema

14 Filtragem híbrida Associar duas ou mais técnicas
Filtragem baseada em conteúdo e colaborativa são complementares (Colocar tabela aqui)

15 Mapas auto-organizáveis
Aprendizado não-supervisionado Primeiramente propostos por Teuvo Kohonen Formado por uma camada de entrada e uma de saída, geralmente uma grade bidimensional Redes SOM (Self-organizing maps)

16 Mapas auto-organizáveis
Inspiração no cérebro de animais mais desenvolvidos Córtex do cérebro é topologicamente organizado por funções específicas Feedback lateral (Imagem do cérebro)

17 Arquitetura das redes SOM
Grade bidimensional Formado por neurônios da camada de saída Cada neurônio possui um conjunto de pesos Os neurônios funcionam como extratores de características Aprendizado competitivo Iteração lateral Função chapéu mexicano

18 Treinamento Competitivo e não-supervisionado
Função de ativação: distância euclidiana Escolha do vencedor Região de vizinhança Atualização de pesos Função de vizinhança (Figura do fluxograma do algoritmo de treinamento)

19 Modelo proposto Sistema de recomendação para locadoras
Não existe avaliações de usuários Baseado no histórico de locações Utiliza redes SOM Um mapa por cliente

20 Motivação Carência de ferramentas de recomendação em ambientes de vídeo locadoras A busca por recomendações é comum É preciso conhecer o perfil do cliente para fazer boas recomendações

21 Objetivos Auxiliar o cliente na escolha do título a ser locado
Formar um mapa com títulos do histórico de locações agrupando-os de acordo com a similaridade entre eles

22 Arquitetura do modelo Mapa SOM bidimensional
Os neurônios irão representar filmes do histórico do cliente

23 Funcionamento do modelo
É criado um mapa para cada cliente O mapa é composto pelos filmes presentes no histórico do cliente No momento da locação o cliente apresenta um novo filmes à rede É calculado o neurônio que irá representar esse novo filme e são determinados os filmes com maior similaridade presentes no histórico do cliente

24 Funcionamento (Figura do fluxo de execução do modelo)

25 (Figura do mapa)

26 Experimentos MovieLens Data Set
Cada usuário foi tratado como um cliente da locadora A base de avaliações foi dividida entre treinamento e teste A base de treinamento representa os filmes já locados A base de teste representa os filmes que irão ser locados

27 Resultados (Colar tabelas com resultados)

28 Conclusões Prova de conceito
Vídeo locadoras carecem de sistemas de recomendação É possível construir um perfil a partir do histórico

29 Trabalhos futuros Agregar outros parâmetros para construção do perfil, como atores, diretor, premiações Interface gráfica para interação com usuário Armazenamento do mapa Atualização dinâmica do mapa

30 Anderson Berg Orientador: Prof. Fernando Buarque
Sistema de recomendação para clientes de vídeo locadoras baseado em redes SOM Anderson Berg Orientador: Prof. Fernando Buarque