6. Objetivo do Sistema de
Recomendações
Promover uma melhor experiência do usuário
no Shopping
7. Como fazer boas recomendações
1. Conhecer e modelar o usuário
2. Conhecer e modelar as lojas
3. Calcular as melhores lojas para determinado
usuário
8. Modelo de Usuário
(o que é um usuário?)
{SM, BR, LV, CV}
● SM: Social Media
● BR: Buscas Realizadas
● LV: Lojas Visitadas no APP
● CV: Categorias Visitadas no APP
9. Exemplo de Modelo de Usuário
{SM, BR, LV, CV}
● SM: {futebol, nike, carro}
● BR: {tenis de corrida, pizza}
● LV: {Centauro, C&A, PizzaHut}
● CV: {Esportes, Alimentação}
11. Exemplo de Modelo de Loja
{C, T}
● C: Alimentação
● T: {pizza, massa, italiana}
12. O Modelo da Recomendação
(versão atual)
Para todo usuário u e loja s temos:
rec(u, s) = w1*cat(CVu, Cs) + w2*sim(LVu, Ts) +
w3*sim(SMu, Ts) + w4*sim(BRu, Ts)
Onde: w1 + w2 + w3 + w4 = 1;
0 ≤ cat ≤ 1;
0 ≤ sim ≤ 1;
Função “cat” a definir mas relaciona
Categorias;
Sim = cosine similarity [1]
Logo: 0 ≤ rec(u, s) ≤ 1
13. Observações:
● Há um escore minimo para a loja ser
recomendada;
● Há um número máximo de lojas a ser
recomendada;
● Lojas já visitadas no app não serão
recomendadas;
● Informações muito antigas são excluídas;
14. Proposta de Avaliação da Solução
1. Avaliar se as recomendações estão sendo
geradas corretamente
a. Avaliação Automática usando validação cruzada
através de simulação [2]
2. Avaliar se há uma melhora na experiência
do usuário
a. Experimento com usuários
15. Conclusão
Através da análise de dados de redes sociais e
atividade no aplicativo fazemos
recomendações de lojas do interesse do
usuário, melhorando sua experiência no
shopping.
16. Referências
[1] Ricardo Baeza-Yates and Berthier Ribeiro-Neto. Modern
Information Retrieval. Ad- dison Wesley, May 1999.
[2] KOHAVI, R. A study of cross-validation and bootstrap
for accuracy estimation and model selection. In:
International joint Conference on artificial intelligence. [S.l.:
s.n.], 1995. v. 14, p. 1137–1145.