Sistemas de Recomendação Uma abordagem geral

Transcrição

1 Sistemas de Recomendação Uma abordagem geral Universidade Estadual de Maringá Departamento de Informática Programa de Pós-Graduação Mestrado em Ciência da Computação Disciplina: Seminários II Aluna: Késsia Rita da Costa Marchi

2 Organização Por que Sistemas de Recomendação? Recuperação de Informação Filtragem de Informação X Recuperação de Informação Sistemas de Recomendação Técnicas de Filtragem aplicadas a Sistemas de Recomendação Exemplos de Sistemas de Recomendação Limitações dos Sistemas de Recomendação Onde queremos chegar? Referências

3 Por que Sistemas de Recomendação? Aumento na produção da informação. Preocupação que já vem de longa data; Eletronic Junk; Diversidade de opções; Sociedade de Informação; Information Overload;

4 Por que Sistemas de Recomendação? Sobrecarga de Informação; Internet como responsável pelo aumento da proliferação da informação. Tecnologias que facilitam a publicação de conteúdos, impulsionou a quantidade de informação disponível na web.

5 Por que Sistemas de Recomendação? Sobrecarga de Informação; Na web: Ausência de mecanismos ou medidas de controle: Falta de qualidade; Falta de organização; Gerou: Volume excessivo de Informação SOBRECARGA DE INFORMAÇÃO

6 Por que Sistemas de Recomendação? Sobrecarga de Informação Esta grande oferta pode ocasionar: Falta de estímulo Dificuldade para encontrar o que deseja Sensação de estar perdido.

7 Recuperação de Informação Exemplos de motores de busca Google Alta Vista Google Scholar MetaCrawler HotBot Lycos Yahoo

8 Motivação A dificuldade de encontrar informações realmente relevantes e confiáveis em nossas buscas pela Internet.

9 Recuperação de Informação Definição apresentada por Robertson (Robertson apud [BEJ 92]). Sistema de Recuperação é assim considerado se o mesmo tiver a funcionalidade de conduzir o usuário para aqueles documentos que melhor irão habilitá-lo a satisfazer as suas necessidades de informação. Exemplo: Motores de busca

10 Filtragem de Informação X Recuperação de Informação Recuperação de Informação Envolve Armazenamento Índices Tecnologias para recuperação de documentos textuais. O sistema busca casar as palavras chaves informadas com documentos armazenados. Filtragem de Informação Geralmente mantém um perfil de interesses do usuário. Necessita de uma especificação clara de um perfil. A filtragem não se refere ao momento, e sim às suas preferências. Recuperação baseia-se na percepção de uma necessidade do momento pelo usuário.

11 Sistemas de Recomendação A definição dada por Renisk e Varian é: Sistemas que utilizam as opiniões de uma comunidade de usuários para auxiliar indivíduos desta mesma comunidade a identificarem conteúdos de interesse em um conjunto de opções que poderiam caracterizar uma sobrecarga. Auxiliar no processo social de indicar e receber indicações.

12 Sistemas de Recomendação Usuários Itens Sistemas de Recomendação

13 Técnicas de Filtragem aplicadas a Sistemas de Recomendação Filtragem baseada em conteúdo Filtragem colaborativa Filtragem híbrida

14 Filtragem baseada em conteúdo Objetivo Gerar automaticamente, descrições dos conteúdos dos itens e compará-los a descrição de cada item com a descrição do interesse do usuário, verificando se o item é ou não relevante para esse usuário. Filtragem baseia-se na análise do conteúdo do item e no perfil do usuário

15 Filtragem baseada em conteúdo Obtém-se o perfil do usuário através de: Informações explícitas obtidas pelo próprio usuário. Consultas. Aprendizagem dos itens que o usuário consome.

16 Filtragem baseada em conteúdo Técnica de indexação de freqüência de termos. Informações de documentos Necessidades de usuários Descritas por vetores de uma dimensão Cada componente do vetor corresponde a freqüência que uma palavra ocorre em um documento ou em uma consulta do usuário. Vetores dos documentos próximos aos vetores da consulta dos usuários são considerados relevantes.

17 Filtragem baseada em conteúdo Índices de busca booleana A consulta constitui-se em um conjunto de palavras chaves unidos por operadores booleanos. Sistemas de filtragem probabilística Aplica o raciocínio probabilístico para determinar a probabilidade que um documento possui para atender as necessidades de informações.

18 Filtragem baseada em conteúdo Diversos sistemas de recomendação baseados em conteúdo são aplicados na recomendação de itens de texto. Geralmente são descritos por palavras-chaves. A importância dos termos são medidas pela freqüência de vezes que o termo ocorre ao longo do texto.

19 Filtragem Colaborativa Complementa a filtragem baseada em conteúdo. Sistema específico no qual a filtragem da informação é auxiliada por um humano. Procuram predizer a pontuação de um item para um consumidor em particular, baseado em como outros usuários com gostos semelhantes ao usuário alvo previamente pontuaram o mesmo item.

20 Filtragem Colaborativa Usuários Itens A1 A2 A3 A4 User User User ? User

21 Filtragem Colaborativa De acordo com HERLOCK, essa técnica pode ser descrita em 3 fases: Calcular o peso de cada usuário do sistema em relação à similaridade com o usuário alvo (métrica da similaridade) Selecionar um subconjunto de usuários com maiores similaridades para considerar predição. Normalizar as avaliações e computar as predições ponderando as avaliações dos vizinhos.

22 Filtragem Híbrida Descoberta de relacionamento entre usuários Trato de usuários incomum Filtragem Filtragem baseada Colaborativa em conteúdo Recomendação baseada na avaliação de itens Precisão independente do número de usuários e avaliações

23 Classificação de Sistemas de Recomendação Fonte: ADOMAVICIUS

24 Exemplos de Sistemas de Recomendação Projetos Acadêmicos Referral Web Ringo GroupLens Fab MovieLens E muitos outros!!!! Projetos Comerciais Amazon.com E-bay Reel.com Drugstore.com E muitos outros!!!!

25 Limitações dos Sistemas de Recomendação Problema do primeiro avaliador Similaridade Superespecialização.

26 Onde queremos chegar?

27 Referências DENNING, P. J. Eletronic Junk. Communications of the ACM, New York, v.25, n.3, p , Mar PEREIRA, R., SILVA, S. R. P.. The Use of Cognitive Authority for Information Retrieval in Folksonomy Based Systems. Maringá: Programa de Pós-Graduação em Ciência da Computação da UEM, CAZELA, S. Aplicando a Relevância da Opinião de Usuários em Sistema de Recomendação para Pesquisadores f. Tese ((Doutorado em Ciência da Computação) UFRGS

28 Referências BELVIN, N. J.; CROFT, W. B. Information Filtering and Information Retrieval: two sides of the same coin? Communications of the ACM, New York, v.35, n.12, p. 29, Dec RESNICK, P.; VARIAN, H. R. Recommender Systems. Communications of the ACM, New York, v.40, n.3, p , Mar RESNICK, P.; VARIAN, H. R. Recommender Systems. Communications of the ACM, New York, v.40, n.3, p , Mar

29 Referências HERLOCKER, J. L. Understanding and Improving Automated Collaborative Filtering Systems f. Tese (Doutorado em Ciência da Computação) - University of Minnesota, Minnesota. ADOMAVICIUS, G.; TUZHILIN, A. Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. IEEE Transactions on Knowledge and Data Engineering, New York, v. 17, n. 6, p , June

30 Dúvidas? Sugestões? Críticas? Todas são bem aceitas!! Muito Obrigada