Sistemas de Recomendação o que, quando, onde, como você quer, e nem sabia

Tamanho: px

Começar a partir da página:

Download "Sistemas de Recomendação o que, quando, onde, como você quer, e nem sabia"

Bárbara Imperial
5 Há anos
Visualizações:

1 Comprar livros nos antigamente Sistemas de Recomendação o que, quando, onde, como você quer, e nem sabia Insubstituível Comprar música nos antigamente Ler notícia nos antigamente

2 Encontrar lugares Compra casada Encontrar pessoas Comprar livros Comprar música Ler notícias Jogos Encontrar lugares Encontrar alguém... A. Se você sabe o que quer...

3 1. Entre no navegador 2. Endereço da loja online 3. Digite o título 4. Pressione <ENTER> Ler notícias Website do jornal favorito B. Se você não sabe o que quer Procurar um livro seria assim? Na Web? Seria cair aí Procurar uma notícia interessante na Web

4 Pera aí... Não. Lembre que você não sabe bem o que quer C. O que nem sabia que queria! Ou precisava Sistemas de Recomendação ao Resgate Sistemas de Recomendação o que, quando, onde, como você quer, e nem sabia Não confunda com Disseminação

5 Não confunda com Disseminação 1. Quais outros itens pessoas que compraram este livro também compraram? 2. Quais outros itens pessoas que viram este livro também viram? 3. Quais outros itens parecidos com os que eu vi antes? 4. Com base nas minhas compras anteriores, quais são as recomendações?

6 5. O que os patrocinadores recomendam baseado no livro? Quais outros itens pessoas que compraram este livro também compraram? - outras pessoas - mesmo item Com base nas minhas compras anteriores e itens vistos, quais são as sugestões? - mesma pessoa - outros itens E para um novo item, quem estaria interessado? E para um novo cliente, quais itens seriam??????? Sistemas de Recomendação Por quê? PARA O CLIENTE Encontrar algo interessante Diminuir número de escolhas Explorar o espaço de opções Descobrir coisas novas Entretenimento... PARA O PROVEDOR Serviço adicional e personalizado para o cliente Melhorar confiança e lealdade do cliente Aumentar vendas, cliques, etc Oportunidades para promoção Adquirir conhecimento sobre clientes... Por quê? Mitos da indústria Amazon gera X% de vendas através da lista de recomendações Netflix gera X% das vendas através da lista de recomendações (30< X <70) Deve existir algum valor, recomendação de - Grupos, empregos e pessoas no LinkedIn - Amigos e personalização de propaganda no Facebook - Música no last.fm - Notícias no Forbes.com

7 O que é?? Recomendar ALGO para ALGUÉM automaticamente baseado em informação sobre o ALGO + o ALGUÉM 2. Paradigmas Paradigmas Paradigmas Paradigmas Paradigmas

Paradigmas Paradigmas Técnicas Básicas Collaborative Filtering Collaborative Filtering User-based nearest-neighbor collaborative filtering Técnica mais utilizada para fazer recomendação - Grandes

8 Paradigmas Paradigmas Técnicas Básicas Collaborative Filtering Collaborative Filtering User-based nearest-neighbor collaborative filtering Técnica mais utilizada para fazer recomendação - Grandes websites de e-commerce - Bem compreendida, vários algoritmos e variações - Aplicável em muitos domínios (livros, filmes, música) Plano: utilizar a sabedoria popular para recomendar itens Suposição básica e Ideia - Usuários avaliam itens de um catálogo (implicita ou explicitamente) - Clientes que possuem gostos similares no passado, o terão no futuro - Dados: usuário ativo (Alice) + um item que ela ainda não viu - O objetivo é estimar a avaliação de Alice para o item a. Encontrar um conjunto de usuários (pares) que tenham gostado dos mesmos itens que Alice no passado E que tenham avaliado o item I b. Usar (e.g., a média das avaliações) para predizer se Alice vai gostar do item I c. Fazer isso para todos os itens que Alice não viu e recomendar os mais bem ranqueados

9 User-based nearest-neighbor collaborative filtering - Dados um usuário ativo (Alice) e um item que ela ainda não viu - O objetivo é estimar a avaliação de Alice para o item - Encontrar um conjunto de usuários (pares) que tenham gostado dos mesmos itens que Alice no passado E que tenham avaliado o item I - Usar (e.g., a média das avaliações) para predizer se Alice vai gostar do item I - Fazer isso para todos os itens que Alice não viu e recomendar os melhores ranqueados - Como medir similaridade? - Quantos vizinhos considerar? - Como gerar a predição a partir das avaliações dos vizinhos? User-based nearest-neighbor collaborative filtering collaborative filtering Algumas respostas SIMILARIDADE - Correlação Pearson - Coseno formas e fórmulas QUANTOS VIZINHOS - Sample size - Estimativas - Depende do domínio COMO GERAR PREDIÇÃO A PARTIR DOS VIZINHOS? Fazer Predições Uma função de predição comum Calcular se as avaliações dos vizinhos para o item i são maiores ou menores do que a média Combinar as diferenças de avaliações - usar similaridade como peso Adicionar/Subtrair o viés dos vizinhos da média dos usuários ativos e usar isso como predição Fazer Recomendações Melhorar métricas / função predição Fazer a predição geralmente não é o objetivo final Abordagem comum (na Academia) Ranquear ítens baseados nas avaliações preditas ENTRETANTO Pode levar a inclusão de (apenas) itens de nichos TAMBÉM NA PRÁTICA: considera a popularidade do item Outra solução Learning to rank Otimizar de acordo com uma métrica de avaliação de rank Avaliações dos vizinhos não são igualmente valiosas Concordar em itens geralmente liked não é tão informativo quanto concordar em itens controversos Possível Solução: Dar mais peso a itens que possuem maior variância Valor do número de itens co-avaliados Usar "peso por significância", ex. reduzir linearmente o peso quando o número de itens co-avaliados é baixo Amplificar o caso Intuição: Dar mais peso aos vizinhos muito similares, i.e., quando valor de similaridade próximo ao 1 Seleção de vizinhança Usar limiar de similaridade ou número fixo de vizinhos

10 3. Pesquisas Atuais Recommend* Events

15 4. Encerramento Principais Livros Sistemas de Recomendação PPGCC. DCC. UFMG. Belo Horizonte

Documentos relacionados

SISTEMAS DE RECOMENDAÇÃO

SISTEMAS DE RECOMENDAÇÃO Prof. Dr. Sílvio César Cazella Sumário (FC) Cálculo da Similaridade Cálculo da Predição Limitações da FC 1 A não se constitui em algo novo e apresenta uma proposta diferenciada