1 / 52

Sistema de Recomendação de Usuários em Rede Sociais

Sistema de Recomendação de Usuários em Rede Sociais. Natália Cabral e Tiago Ferreira. Roteiro. Motivação Redes Sociais Sistemas de Recomendação Mecanismo de recomendação baseado na topologia Extensão do Mecanismo de Recomendação Conclusão. Motivação.

jasia
Download Presentation

Sistema de Recomendação de Usuários em Rede Sociais

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Sistema de Recomendação de UsuáriosemRedeSociais Natália Cabral e Tiago Ferreira

  2. Roteiro • Motivação • Redes Sociais • Sistemas de Recomendação • Mecanismo de recomendação baseado na topologia • Extensão do Mecanismo de Recomendação • Conclusão

  3. Motivação “ 43,9 milhões de usuários utilizando Redes Sociais no Brasil” " 90,8% dos usuários da internet no Brasil,  fazem parte de algumarede social.” * dados da comScore - Junho de 2011 ( http://www.comscore.com/por/ )

  4. Motivação • Como encontrar usuários relevantes em meio a uma imensidão? • Navegar entre listas de amizades dos usuários • Busca de usuários • Catálogo de usuários • Sistemas de Recomendação pode ser a solução

  5. Redes Sociais “Estruturasorganizacionaisdinâmicasquevisamconectarum conjunto de indivíduos, promovendo o relacionamento, a comunicação, e a partilha de experiências, agrupando-os de acordo com interessesemcomum.”

  6. Sistema de Recomendação Um sistemaquetentaprever o gosto de cadausuáriobaseadoeminformaçãosubmetidaporsi e pelosrestantesutilizadores.

  7. Sistemas de Recomendação de Usuários • Necessidade de encontrar pessoas para adicionar na lista de amigos • Dois objetivos: • Encontrar pessoas que você já conhece • Encontrar pessoas que você gostaria de conhecer

  8. Sistemas de Recomendação de Usuários • Facebook

  9. Sistemas de Recomendação de Usuários • Diferente dos outros sistemas de recomendação: • Relação de amizade bi-direcional • Apresentação da lista de amigos no perfil

  10. Estudo de Caso • Encontrar as repostaspara: • Qual a diferençaemeficiência de diferentesalgoritmos de recomendação? • Quecaracterísticassãodiferentesnarecomendação de umapessoaconhecida e umadesconhecida? • Um sistema de recomendação é efetivoemaumentar a quantidade de amigos numarede social? • Qual o impactoque um sistema de recomendaçãocausaem um site?

  11. Estudo de Caso • Implementação de sistemas de recomendação de usuários para o sistema Beehive • Quatro algoritmos diferentes • Realização de dois experimentos • PersonalizedSurvey • Controlledfieldstudy

  12. Beehive • Rede Social Corporativa da IBM • Lançada em setembro de 2007 • Mais de 38000 usuários • Média de 8.2 amigos por usuário • Conceito de amizade unidirecional

  13. Algoritmos BaseadoemConteúdo ContentMatching Content-plus-Link Friend-of-Friend SONAR BaseadonaEstruturadaRede

  14. Content Matching • “Se duas pessoas escrevem na rede sobre assuntos similares, essas têm interesse em se conhecer” • Cada usuário passou a ter uma “nuvem de tags” A e B são considerados similares se eles compartilham tags em comum e também se somente poucas pessoas compartilham tal tag

  15. Content-plus-Link • Tem como objetivo diminuir a quantidade de pessoas desconhecidas na recomendação • ContentMatching +Social link information • A similaridade entre dois usuários é aumentada em 50% se entre esse houver um link válido na rede. • Ex.: Alice comentou no perfil de Bob, que é amigo de Charles

  16. Friend-of-Friend • “Se muitos dos meus amigos têm Alice como amiga, Alice pode ser minha amiga” • Algoritmo base do You May Know do Facebook • Não pode fazer recomendações para pessoas sem amigos adicionados

  17. SONAR • Algoritmo baseado no sistema SONAR • Sistema que têm dados públicos sobre IBM • Publicações, Amizade, Blogs, Orgonograma, Patentes, Sistema de tags dos usuários, Project Wiki • Através desses dados, pode-se saber se dois usuários têm alguma interação. • Ex.: Ser co-autor do mesmo artigo, comentar no blog, ... • Lista de usuários foi ranqueada baseada na proximidade e frequência da interação com cada usuários

  18. Primeiro Experimento: PersonalizedSurvey • 500 usuários foram selecionados para participar do experimento • Para cada usuário foi apresentada uma página web com 12 usuários recomendados • 3 de cada algoritmo

  19. Primeiro Experimento: PersonalizedSurvey • Para cada recomendação feita, o usuário deveria responder: • Você já conhece essa pessoa? • Foi uma boa recomendação? • A razão pela qual foi recomendada ajudou na decisão? • Você vai adicionar essa pessoa?

  20. Resultados do Primeiro Experimento • Entendendo a necessidade do usuário • 95% considerou útil a recomendação de usuários e gostaria que o site tivesse essa funcionalidade • Mais de 60% disse estar interessada em conhecer novas pessoas na rede • A grandemaioria dos entrevistados adicionam desconhecidos por amigos em comum ou interesses similares

  21. Resultados do Primeiro Experimento

  22. Resultados do Primeiro Experimento • A avaliação dos usuários é diretamente proporcional a porcentagem de conhecidos recomendados • Usuários afirmaram que mostrar o motivo da recomendação é necessário • Muitas tags foram consideradas aleatórias, genéricas, fracas ou irrelevantes • Usuários querem o máximo de informação útil possível sobre a recomendação

  23. Resultados do Primeiro Experimento • A quantidade de pessoas adicionadas foi menor que a quantidade de boas recomendações • Usuários sugeriram adicionar outras opções além de adicionar • Adicionar pessoa à lista de interesse • Recomendar a pessoa para outra

  24. Segundo Experimento: Controlled Field Study • Testar os algoritmos de uma forma mais natural

  25. Resultados do Segundo Experimento • Porcentagem de pessoas adicionadas • Todos os algoritmos foram eficientes em aumentar a quantidade de amigos na rede • SONAR – 13% • Grupo sem sistema de recomendação – 5%

  26. Resultados do Segundo Experimento • Sistemas de recomendação são efetivos em aumentar a quantidade de atividades no site: + 13,7% -24,4%

  27. Conclusão dos Experimentos • Todos os quatro algoritmos são eficientes na recomendação de usuários e aumentam significativamente a lista de amigos • Algoritmos baseados na estrutura da rede obtiveram melhores avaliações que algoritmos baseados em conteúdo

  28. Conclusão dos Experimentos • SONAR foi o algoritmo que mais se adequou a rede. • Algoritmos baseados na estrutura da rede são melhores em encontrar pessoas conhecidas • Algoritmos baseados em conteúdo são melhores em encontrar pessoas que o usuário ainda não conhece

  29. Conclusão dos Experimentos • Algoritmo ideal: • Inicialmente baseado na estrutura da rede • Formar a lista de amigos • Em segundo plano, baseado em conteúdo • Depois da lista de amigos estabilizada, encontrar pessoas com interesses em comum

  30. Algoritmo Proposto Dissertação de mestrado de Nitai B. Silva • Proposta de um algoritmo de recomendação de usuários para a rede Oro-Aro • Algoritmo baseado na topologia da rede • Utiliza FoF

  31. Oro-Aro • Rede social corporativa construída pelo C.E.S.A.R. • Desenvolvido com o objetivo de facilitar a troca de conhecimento e experiência entre os alunos do CIn e dos colaboradores do C.E.S.A.R • Há 634 usuários e 5076 arestas (relacionamento unidirecional) • Foram selecionados para a pesquisa apenas os relacionamentos bidirecionais

  32. Visão Geral do Algoritmo • Etapas do mecanismo recomendação: • Filtering • Ordering • Além das fases tradicionais, na fase de ordering, é proposta uma solução utilizando Algorimo Genético

  33. Etapa de Filtering • Baseado no conceito de coeficiente de clusterização, das redes Small Word • “It’s more probablethatyouknow a friendofyourfriendthaanyotherrandomperson”

  34. Etapa de Ordenação • Avalia o grau de relacionamento entre o nó central e o nó que poderá ser avaliado • A métrica utilizada é um único valor, que será extraída de uma média ponderada entre 3 índices • Os 3 índices medem propriedades específicas de um sub-grafo

  35. Etapa de Ordenação • Primeiro Índice • Conceito de FOF (Friend-of-Friends) • Número de nós adjacentes que são ligado ao mesmo tempo ao nó central e ao nó que será recomendado • Amigos em comum

  36. Etapa de Ordenação • Segundo Índice • Mede o grau de coesão entre o “pequeno” grupo formado pelos amigos em comum • Se o índice tiver um valor baixo então as pessoas dentro deste grupo não são bem relacionadas

  37. Etapa de Ordenação • Terceiro Índice • Mede o grau de coesão entre o “grande” grupo formado pelos amigos de ambos os nós • O terceiro e segundo índice, apesar de parecidos, são independentes

  38. Algoritmo Genético Técnicautilizadaparaencontrarsoluçõesaproximadas de problemas de otimização e busca.

  39. Algoritmo Genético • Gerar os 3 índices automaticamente para que possa oferecer a melhor taxa de acerto • Utilizar toda a topologia em volta do nó central • Mais quantidade de informação • Modificar a etapa de filtragem para adicionar nós adjacentes

  40. Algoritmo Genético • Algoritmo: • Geração de 200 indivíduos de forma aleatória • Calcular a função de avaliaçãoparatodososindivíduos • Escolheros 13 melhoressegundo a função de avaliação • RealizarCrossjoin entre os 13 melhores, nãopodendorepetiros pesos • Para cadaelemento do item anterior gerarfilhos, com mutação e crossover • Recalcular a função de avaliaçãoparaosnós • Pegar a média das 7 melhoresfunções de avaliação • Enquanto a média da função de avaliaçãonão se repetirpor 4x, repetirospassos de 1 a 7

  41. Algoritmo Genético 200 indivíduos Crossjoin entre os 13 Calcula função de avaliação Gerar filhos Recalcular função de avaliação 13 melhores indivíduos Média das 7 melhores

  42. Experimento do Algoritmo Proposto • Usuários da rede social Oro-Aro • Requisitos: • Possuir no mínimo 13 relacionamentos • Ter acessado a rede nos últimos 45 dias • 70 usuários selecionados • Dois sistemas de recomendação testados, FOF e o Algoritmo Proposto • 14 usuários para FOF e 56 para o Algoritmo Proposto

  43. Resultados • Oro-Aro

  44. Extensão do Mecanismo • Objetivo • Melhorar taxa de acerto • Lever em conta mais dados da topologia, dados que são exclusivos da Redes Sociais Educacionais • Abordagens propostas • Alteração do algoritmo genético • Adição de mais um índice que envolva a topologia de uma rede social educacional • Avaliar e aplicar utilizando o Redu (Rede Social Educacional)

  45. Extensão do Mecanismo • Alteração do algoritmo genético • A.G. não converge para determinados dados • Reavaliar a função de avaliação

  46. Extensão do Mecanismo • Adição de mais um índice que envolva a topologia de uma rede social educacional • Explocar a hierarquia do Redu

  47. Extensão do Mecanismo AVA Curso Curso Curso Disciplina Disciplina Disciplina Módulos Aulas

  48. Extensão do Mecanismo • Avaliar e aplicar solução no Redu • Escolher usuários para utilizar os 3 tipos de sistemas recomendações existente • FOF, baseado em heurísticas e o Algoritmo Proposto • Analisar os pontos positivos de cada sistema de recomendação • Escolher a melhor abordagem para cada situação

  49. Conclusão • Sistema de recomendação é extremamentenecessáriopelaquantidade de informação (usuário) • Aplicação de váriastécnicasauxiliamnaresolução de problemas • Quantomais dados sãoanalisados, menor a eficiêncianaexecução • A topologia é um importantemeioparaextrairinformações

  50. Conclusão • As vezes a topologianão é suficienteparaaplicar boas recomendações • Para análise da topologia, deveexistir dados suficientes

More Related