1 / 79

Sistemas de recomendação

Mineração de Dados na Web. Sistemas de recomendação. Lais Varejão ( lvv ) Paulo Oliveira ( phslf o ) Victor Lorena ( vlfs ) Victor Acioli (vaca). Equipe. Introdução Coleta de Informações Estratégias Técnicas Arquitetura Passo a Passo Aplicações Conclusão. Roteiro. Introdução.

seamus
Download Presentation

Sistemas de recomendação

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. Mineração de Dados na Web Sistemas de recomendação

  2. Lais Varejão (lvv) Paulo Oliveira (phslfo) Victor Lorena (vlfs) Victor Acioli (vaca) Equipe

  3. Introdução Coleta de Informações Estratégias Técnicas Arquitetura Passo a Passo Aplicações Conclusão Roteiro

  4. Introdução

  5. A Era da Inteligência Coletiva Motivação

  6. Sob o aspecto tecnológico, Inteligência Coletiva é o conjunto de comportamentos, preferências e ideiasde um grupo de pessoas para criar novas introspecções. Motivação

  7. Atualmente existe uma grande quantidade de informaçãodisponibilizada de forma facilitada. Motivação

  8. Motivação Ao mesmo tempo...

  9. Motivação • O usuário tem dificuldade de encontrar informaçõesque são relevantes para ele.

  10. Como identificar quais conteúdos são relevantes para cada usuário em meio a um mar de informação? Problema

  11. Sistemas de recomendação realizam a filtragem da informação para recomendar itens, que possam ser interessantes para o usuário. Sistemas de Recomendação

  12. Sistemas de Recomendação Que filme eu devo ver? Para onde eu devo sair? Qual livro eu devo ler?

  13. “Muitas vezes as pessoas só sabem o que queremdepois que você mostraa elas.” Steve Jobs Sistemas de Recomendação

  14. Existem empresas que investem em sistemas de recomendação? Sistemas de recomendação

  15. Sistemas de recomendação

  16. Netflix • É uma locadora de DVDs online, com entrega a domicílio, que recomenda filmes de acordo com locações prévias dos clientes. • Dos filmes alugados, 60%vêm de recomendações. • Em 2006, ela anunciou o prêmio de 1 milhãopara a primeira pessoa que melhorasse a precisão do seu sistema de recomendação em 10%. Desafio Netflix

  17. Nos anos 90, foi desenvolvido o Tapestry. • Um sistema de emailque avaliava a relevância dos documentos recebidos. • Em 1996, oMy Yahoosurgiu. • O primeiro website a utilizar recomendação em grandes proporções. • A técnica customização era utilizada. Quem foram os pioneiros?

  18. Coleta de Informações

  19. É indispensável conhecer quem éo usuário. Coleta de informações

  20. O usuário deve ser identificado no momento em que ele acessa o sistema. • Identificação no servidor • É necessário fazer um cadastro. • Provê maior precisão. • Identificação no cliente • Utiliza cookies para identificar a máquina. • Menos confiável. Coleta de informações

  21. As informações podem ser coletadas de forma explícitaou implícita. Coleta de informações

  22. Coleta Explícita • O usuário indicao que lhe interessa. Coleta de informações

  23. Coleta Implícita • A partir do comportamento do usuário, infere-se suas necessidadese preferências. Coleta de informações TURISMO

  24. Informações do usuário são coletadase armazenadassem que ele perceba. Existem empresas que vendem esses dados. Problemas de privacidade

  25. É uma exigência legal que as políticas de privacidade dos sites sejam disponibilizadas. • Aumenta a proteção do usuário. Políticas de privacidade

  26. Algumas organizações propõem selos que regulam a política de privacidade de um website. Políticas de privacidade

  27. Estratégias

  28. Diferentes estratégiaspodem ser usadas para personalizarofertas para o usuário. • Listas de Recomendação • Avaliação de Usuários • Suas Recomendações • Produtos Similares (X Y) • Associação por Conteúdo Estratégias

  29. Listas de Recomendação • São mantidas listas de itens organizadas por tipos de interesse. Estratégias

  30. Avaliação de Usuários • Além de comprar, o usuário deixa sua avaliaçãosob o item adquirido. • É importante que haja veracidadena opinião. Estratégias

  31. Itens são oferecidos de acordo com o interesse do usuário. Suas recomendações

  32. Indica itens similares ao que está sendo comprado no momento. Produtos similares (X Y)

  33. São utilizados os dados dos próprios produtos e não do usuário. • Exemplo: • Autor • Editora • Tema • Assunto Associação por conteúdo

  34. Técnicas

  35. É o nome utilizado para descrever uma variedade de processos que envolvem a entrega de informaçãopara as pessoas que realmente necessitam delas. BelvinandCroft- 1992 FILTRAGEM DE INFORMAÇÃO

  36. É a forma mais simplesde recomendação Considera que usuários sempre gostaram de coisas que gostaram no passado. Analisa apenas os itens e o perfil do usuário. Filtragem baseada em conteúdo

  37. Funcionamento: • Usuários devem avaliar itens de acordo com seu interesse. • O sistema correlaciona os itens em sua base de dados, considerando características de cada item. • E indica novos itens que apresentem alto grau de similaridade. Filtragem baseada em conteúdo

  38. Exemplo sim(REC, Exoc) Gostei Recomendado Usuário Atual

  39. Filtragem baseada em conteúdo • Dificuldades: • Cálculo da similaridade • Análise dos dados restrita • Super Especialização • Efeito Portfólio

  40. Fechar as lacunas que a filtragem baseada em conteúdo não soluciona. Não exige a extração de características dos itens. O sistema se baseia na troca de experiências entre usuários com gostos similares. Filtragem colaborativa

  41. Funcionamento: • Usuários devem avaliar itens de acordo com seu interesse. • O sistema descobre usuários com padrões similares de comportamento ao do usuário atual. • Processa as avaliações feitas por esse subconjunto de usuários. • E recomenda itens que o usuário atual ainda não avaliou. Filtragem colaborativa

  42. Exemplo Gosta: Filme A Filme B Filme C Gosta: Filme A Filme B Filme C Similares Usuário Atual Usuário X Usuário Y

  43. Dificuldades: • Necessita de vasta base de dados • Escalabilidade/estabilidade • Partida fria (Usuários e itens novos) • Popularidade • Ovelha negra • Demonstração Facebook Filtragem colaborativa

  44. Combina as duas técnicas, para obter um sistema mais eficiente. Filtragem híbrida

  45. Comparativo

  46. Solicitada ou espontânea? Rodar online ou offline? Recomendar tudo ou filtrar? Só itens novos? Explicar o motivo da escolha? Necessidade ou interesse? Cuidados

  47. Arquitetura

  48. Arquitetura

  49. Exemplo • Recommender Server • Utilizado para dar acesso aos SessionsControllerse às rotinas de recomendações.

  50. Exemplo • SessionController • Ao entrar no site as informações do usuário são armazenadas sobre sua interação atual. • E comparadas com o seu histórico dentro do site.

More Related