sistemas de recomendação
DESCRIPTION
Apresenção sobre sistemas de recomendação: Filtragem Colaborativa e Baseada em ConteúdoTRANSCRIPT
![Page 1: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/1.jpg)
Sistemas de RecomendaçãoFiltragem Colaborativa e
Baseada em Conteúdo
Fabiana LorenziUniversidade Luterana do Brasil
![Page 2: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/2.jpg)
Baseada em conhecimento Banco de dados
de produtosConhecimento do
domínio
Baseada em conteúdo
Perfis de outrosusuários
Perfil do usuário
Filtragem colaborativa
Dados demográficosdos outros
Dados demográficosatuais do usuário
Conhecimentodemográfico
![Page 3: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/3.jpg)
Filtragem de informação
• Quase todo sistema de recomendação vê a filtragem de informações ou seleção de um produto como um problema de classificação.
– F(usuário, produto) ! {gosta, não gosta}
Não gosta
)F( Usuário Conteúdo,Gosta
![Page 4: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/4.jpg)
Filtragem Colaborativa
• Utiliza informações de outras pessoas
• Trabalha com a idéia de que se o os interesses do usuário x são similares aos interesses do usuário y, os itens preferidos pelo usuário y podem ser recomendados ao usuário x.
![Page 5: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/5.jpg)
Filtragem Colaborativa
• Avaliação de similaridade entre pessoas– Pelo histórico (itens associados)
correlação item-a-item
– Pelo perfil (características ou atributos)correlação usuário-a-usuário
![Page 6: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/6.jpg)
Filtragem Colaborativa
• correlação item-a-item (pessoas que compraram isto também compraram …)
• correlação usuário-a- usuário (usuários como você também compraram …)
![Page 7: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/7.jpg)
FC: item-a-item
• Calcula-se a similaridade entre usuários.• Para cada usuário encontra-se um conjunto
de usuários “mais próximos” (maior correlação entre as avaliações passadas).
• Escores para os itens não vistos são definidos com base na combinação de escores conhecidos dos vizinhos mais próximos.
![Page 8: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/8.jpg)
Filtragem Colaborativa
distância 5 6 6 5 4 8
Não gosta
Gosta
Não conhece
Usuário Usuários anteriores
Itens
Histórico das interações
![Page 9: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/9.jpg)
Amazon (item-a-item)Para cada item comprado e avaliado pelo usuáriotenta encontrar itens similares e recomendá-los aousuário.
Algoritmo -Para cada item do catálogo, I1Para cada cliente C que comprou I1
Para cada item I2 comprado pelo cliente CRegistra que o cliente C comprou I1 e I2
Para cada item I2Calcula a similaridade entre I1 e I2
![Page 10: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/10.jpg)
FC: usuário-a-usuário
• recomendar objetos relacionados a pessoas com características semelhantes ao usuário (atributos, preferências, hábitos ou comportamento).
![Page 11: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/11.jpg)
Exemplos - Grupolens
– Sistema que auxilia pessoas a encontrar artigos que irão gostar, dentro de uma grande quantidade de artigos disponíveis.
– Relaciona as avaliações para determinar quais usuários avaliam mais semelhantemente (vizinhanças);
– Prediz quanto os usuários vão gostar de artigos novos, baseados nas avaliações dos usuários similares.
![Page 12: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/12.jpg)
Exemplos - Ringo
• Sistema que recomenda músicas ao usuário;• O usuário avalia artistas e o conjunto destas
avaliações gera o perfil de cada usuário;• Para recomendar, o perfil do usuário é comparado aos
demais perfis dos outros usuários. O sistema prediz o quanto o usuário tende a gostar de um item/artista que ainda não tenha sido avaliado (através da média ponderada de todas avaliações dadas àquele álbum por outros usuários com perfil semelhante).
![Page 13: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/13.jpg)
Problemas
• Problema cold start (primeiro usuário) que ocorre no inicio do sistema (sem avaliação de outros usuários).
• Se um usuário possui gostos bastante raros, a recomendação pode ser fraca, pois não existe “vizinhos próximos”. Esse problema é chamado de gray sheep(ovelha negra).
![Page 14: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/14.jpg)
Problemas
• Problema de early-rater, quando surge um novo item, não há como ele ser recomendado a um usuário até que alguém o avalie.
• Avaliações esparsas: quando se tem poucos usuários para muitos itens as avaliações tornam-se esparsas e fica difícil de encontrar usuários similares.
![Page 15: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/15.jpg)
Baseada em Conteúdo
• Recomendar objetos classificados no perfil do usuário
• Recomendar objetos similares aos objetos que o usuário já comprou.
![Page 16: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/16.jpg)
Baseada em ConteúdoUso de taxonomias (classificação ou ontologia)
XClasse Classe
![Page 17: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/17.jpg)
Identificar a classe
• Pelo perfil: características da pessoa• Pelo histórico: itens associados• Pelos atributos
• As classes devem ser compatíveis.
![Page 18: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/18.jpg)
Baseada em conteúdo
• Exemplos:– filmes do mesmo gênero que o assistido– outros CD’s dos artistas já adquiridos– produtos complementares aos adquiridos (DVD
player " home theater)
![Page 19: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/19.jpg)
Exemplos - InfoFinder
• O sistema aprende sobre os interesses do usuário a partir de um conjunto de mensagens ou documentos.
• Um string de consulta para cada categoria de interesse do usuário.
• Modelo do usuário = árvore de decisão.
![Page 20: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/20.jpg)
Exemplos - Referral web
• Sistema interativo que encontra redes de pessoas envolvidas em tarefas profissionais.
• A partir do cadastro do usuário, o sistema procura por documentos com seu nome e recursivamente procura as outras citações nesses trabalhos, montando uma rede global de citações na forma de um grafo.
![Page 21: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/21.jpg)
Usuário Saída Personalização Apresentação Modelo do usuário
InfoFinder Atributos e palavras
chave
Sugestão de documentos
Persistente Push Árvore de decisão
Referral web
Cadastro Sugestão de documentos
Persistente Pull Grafo de relações
Obs.: Aqui não temos entrada da comunidade.
![Page 22: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/22.jpg)
Problemas
• super-especialização, pois só serão recomendados itens que o usuário avaliou no passado, não explorando novas categorias de itens.
• Falta de surpresa na recomendação (serendipity), produtos que não se relacionam com o perfil do usuário podem nunca ser recomendados.
![Page 23: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/23.jpg)
Problemas
• O conteúdo de alguns tipos de dados ainda não pode ser analisado, como vídeo e som;
![Page 24: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/24.jpg)
Técnicas Vantagens Desvantages
Filtragem Colaborativa A. Pode identificar nichos cross-gênero.B. Conhecimento de domínio não énecessário.C. Adaptativo: qualidade melhor com o tempo.D. Feedback implícito é suficiente.
I. Problema do novo usuário.J. Problema do novo item.K. Problema da ovelha negraL. Qualidade depende de um grande conjunto de dados histórico.M. Problema de estabilidade.
Baseada em Conteúdo B, C, D I, L, M
Baseada em Conhecimento E. Não tem problema de novo usuário e novo item.F. Sensível a mudanças de preferênciasG. Pode incluir características de H. Pode mapear produtos através das preferências do usuário.
N. Usuário deve inserir função de utilidade.O. Necessita de engenheiro de conhecimento (aquisição de conhecimento).
![Page 25: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/25.jpg)
Sistemas Híbridos
• Combinam as duas técnicas (Filtragem Colaborativa e Baseada em Conteúdo) para resolver os problemas encontrados em cada uma delas.
![Page 26: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/26.jpg)
FAB (http://fab.stanford.edu)
• Sistema que recomenda páginas web para usuários.
• O perfil do usuário é criado com base na análise do conteúdo dos documentos.
• Após utiliza-se a FC para descobrir os itens similares de acordo com o perfil do usuário (correlação usuário-a-usuário).
![Page 27: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/27.jpg)
FAB
• O usuário recebe a recomendação de um item se esse item se encaixa no seu perfil ou se esse item se encaixa nos perfis de seus usuários mais similares.
![Page 28: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/28.jpg)
Vantagens da abordagem híbrida
• Utilizando recomendações colaborativas, experiências de outros usuários são levadas em consideração;
• Utilizando recomendações baseadas em conteúdo, é possível lidar com itens não vistos por outros usuários;
• É possível recomendar bons itens a um usuário mesmo que não haja usuários semelhantes a ele.
![Page 29: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/29.jpg)
Cuidados com a recomendação
• Solicitada ou espontânea ?• Interromper ou não ? quando (online ou
offline) ?• Recomendar tudo ou selecionar por limiar ?• Somente o que é novo ?• Explicações da escolha (trust)
![Page 30: Sistemas de Recomendação](https://reader035.vdocuments.mx/reader035/viewer/2022062405/557e83f0d8b42a7e0c8b46ac/html5/thumbnails/30.jpg)
Cuidados com a recomendação
• Informar origem ou recomendação anônima (reputation)
• Relevância temporal: sazonal, idade, crescimento
• Necessidades ou gostos ?• Evolução do perfil ou necessidade
– Ex: leitura de documentos ou livros básicos X avançados