Improving a Recommender System Through Integration of User Profiles: a Semant...
Sistemas de Recomendação: Conceitos, Técnicas, Ferramentas e Aplicações
1. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
TIPS - GRUPO DE TECNOLOGIAS INTELIGENTES
PERSONALIZADAS E SOCIAIS
Sistemas de Recomenda¸c˜ao:
Conceitos, T´ecnicas, Ferramentas e Aplica¸c˜oes
Jonathas Magalh˜aes
UFCG
jonathas@copin.ufcg.edu.br
Magalh˜aes, J.J. CAIITE 2014 1
2. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sum´ario
1 Introdu¸c˜ao
2 Conceitos e Aplica¸c˜oes
3 T´ecnicas e Ferramentas
4 Desafios e Tendˆencias
5 O que temos feito?
Magalh˜aes, J.J. CAIITE 2014 2
3. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Problema da Sobrecarga de Informa¸c˜ao
Magalh˜aes, J.J. CAIITE 2014 3
4. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Problema da Sobrecarga de Informa¸c˜ao
Advento da Web 2.0;
Usu´arios passaram de consumidores para produtores;
Volume de itens cresceu astronomicamente;
Dificuldade em encontrar itens relevantes em tempo h´abil.
Magalh˜aes, J.J. CAIITE 2014 4
5. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Vida em Sociedade
As pessoas vivem em sociedade.
Magalh˜aes, J.J. CAIITE 2014 5
6. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Pessoas pedem Sugest˜oes
As pessoas costumam pedir conselhos sobre diversos assuntos.
Magalh˜aes, J.J. CAIITE 2014 6
7. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Sugest˜ao de M´usica
Diz um bom ´album a´ı.
Magalh˜aes, J.J. CAIITE 2014 7
8. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Sugest˜ao de Leitura
Diz um bom livro a´ı.
Magalh˜aes, J.J. CAIITE 2014 8
9. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Modelar o Comportamento
As pessoas seguem padr˜oes.
Magalh˜aes, J.J. CAIITE 2014 9
10. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Padr˜ao Aliment´ıcio
Alimenta¸c˜ao.
Magalh˜aes, J.J. CAIITE 2014 10
11. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Padr˜ao de Lazer
Viagens.
Magalh˜aes, J.J. CAIITE 2014 11
12. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Intui¸c˜ao
Estamos enfrentando a sobrecarga de informa¸c˜ao;
As pessoas seguem padr˜oes;
As pessoas pedem sugest˜oes.
Magalh˜aes, J.J. CAIITE 2014 12
13. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Sobrecarga de Informa¸c˜ao
Sugest˜ao de Itens
Descoberta de Padr˜oes
Intui¸c˜ao
Ent˜ao, por que n˜ao unir as duas coisas para combater o
problema?
Podemos aprender os padr˜oes das pessoas para poder sugerir
novos itens.
Magalh˜aes, J.J. CAIITE 2014 13
14. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tarefa de um Sistema de Recomenda¸c˜ao
Funcionamento
Conceitos B´asicos
Apresentando a Recomenda¸c˜ao
Aplica¸c˜oes
Sistemas de Recomenda¸c˜ao
Sistemas de Recomenda¸c˜ao podem amenizar o problema da
sobrecarga de informa¸c˜ao;
Podem ajudar os usu´arios a encontrar itens relevantes.
Magalh˜aes, J.J. CAIITE 2014 14
15. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tarefa de um Sistema de Recomenda¸c˜ao
Funcionamento
Conceitos B´asicos
Apresentando a Recomenda¸c˜ao
Aplica¸c˜oes
Funcionamento B´asico
Magalh˜aes, J.J. CAIITE 2014 15
16. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tarefa de um Sistema de Recomenda¸c˜ao
Funcionamento
Conceitos B´asicos
Apresentando a Recomenda¸c˜ao
Aplica¸c˜oes
Conceitos B´asicos
Avalia¸c˜ao (Rating) – express˜ao da preferˆencia;
Avalia¸c˜ao expl´ıcita (Explicit rating) – direto do usu´ario;
Avalia¸c˜ao impl´ıcita (Implicit rating) – inferida pela atividade do
usu´ario.
Perfil de usu´ario (User profile) – representa as preferˆencias do
usu´ario.
Perfil expl´ıcito (Explicit profile) – direto do usu´ario;
Perfil impl´ıcito (Implicit profile) – inferido pela atividade do
usu´ario.
Magalh˜aes, J.J. CAIITE 2014 16
17. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tarefa de um Sistema de Recomenda¸c˜ao
Funcionamento
Conceitos B´asicos
Apresentando a Recomenda¸c˜ao
Aplica¸c˜oes
Conceitos B´asicos
Predi¸c˜ao (Prediction) – estimativa da preferˆencia;
Recomenda¸c˜ao (Recommendation) – sele¸c˜ao itens para o usu´ario;
Conte´udo (Content) – atributos, texto, etc.;
Colaborativo (Collaborative) – utilizar dados de outros usu´arios;
Personalizado (Personalized) – recomenda¸c˜ao muda de acordo
com o perfil de usu´ario.
Magalh˜aes, J.J. CAIITE 2014 17
18. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tarefa de um Sistema de Recomenda¸c˜ao
Funcionamento
Conceitos B´asicos
Apresentando a Recomenda¸c˜ao
Aplica¸c˜oes
Apresentando a Recomenda¸c˜ao
Interfaces de Recomenda¸c˜ao
Listas de sugest˜oes, “top-n”, ofertas e promo¸c˜oes.
Interfaces de Predi¸c˜ao
Avalia¸c˜ao de candidatos, predi¸c˜ao de avalia¸c˜ao.
Magalh˜aes, J.J. CAIITE 2014 18
19. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tarefa de um Sistema de Recomenda¸c˜ao
Funcionamento
Conceitos B´asicos
Apresentando a Recomenda¸c˜ao
Aplica¸c˜oes
Amazon
Magalh˜aes, J.J. CAIITE 2014 19
20. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tarefa de um Sistema de Recomenda¸c˜ao
Funcionamento
Conceitos B´asicos
Apresentando a Recomenda¸c˜ao
Aplica¸c˜oes
Submarino
Magalh˜aes, J.J. CAIITE 2014 20
21. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tarefa de um Sistema de Recomenda¸c˜ao
Funcionamento
Conceitos B´asicos
Apresentando a Recomenda¸c˜ao
Aplica¸c˜oes
Movielens
Magalh˜aes, J.J. CAIITE 2014 21
22. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tarefa de um Sistema de Recomenda¸c˜ao
Funcionamento
Conceitos B´asicos
Apresentando a Recomenda¸c˜ao
Aplica¸c˜oes
YouTube
Magalh˜aes, J.J. CAIITE 2014 22
23. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tarefa de um Sistema de Recomenda¸c˜ao
Funcionamento
Conceitos B´asicos
Apresentando a Recomenda¸c˜ao
Aplica¸c˜oes
RecSalt
Magalh˜aes, J.J. CAIITE 2014 23
24. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Classifica¸c˜ao de Sistemas de Recomenda¸c˜ao
Os Sistemas de Recomenda¸c˜ao podem ser classificados em:
Filtragem Colaborativa;
Filtragem Baseada em Conte´udo;
Abordagens H´ıbridas.
Magalh˜aes, J.J. CAIITE 2014 24
25. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Filtragem Colaborativa
O sistema identifica usu´arios com gostos similares ao usu´ario
ativo e recomenda os itens que eles gostaram.
Magalh˜aes, J.J. CAIITE 2014 25
26. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Filtragem Colaborativa
Table: Exemplo de uma matriz R|U|×|D| de avalia¸c˜oes de um SR.
R|U|×|D| d1 d2 d3 d4 ... d|D|
u1 2 3 ∅ ∅ ... 4
u2 1 ∅ 2 ∅ ... 5
... ... ... ... ... ... ...
u|U| ∅ 1 ∅ 3 ... 2
Magalh˜aes, J.J. CAIITE 2014 26
27. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Filtragem Colaborativa
Existem dois tipos de Filtragem Colaborativa:
Baseados em mem´oria;
Ex.: Algoritmo baseado em vizinhan¸ca.
Baseados em modelo.
Ex.: Fatora¸c˜ao de Matrizes.
Magalh˜aes, J.J. CAIITE 2014 27
28. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Algoritmo Baseado em Vizinhan¸ca
Passo 1: Calcular a similaridade do usu´ario ativo em rela¸c˜ao aos
outros usu´arios.
Nesse sentido pode ser utilizada a similaridade do cosseno:
sim(u, v) = cos(u, v) =
u · v
u × v
=
|D|
i=1 ru,i rv,i
|D|
i=1 r2
u,i
|D|
i=1 r2
v,i
;
(1)
· denota a norma Euclidiana padr˜ao;
cos(u, v) retorna um n´umero real no intervalo [0, 1].
Magalh˜aes, J.J. CAIITE 2014 28
29. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Algoritmo Baseado em Vizinhan¸ca
Passo 2: Selecionar o subconjunto de usu´arios que ser´a utilizado como
conjunto preditor.
Vu ser´a composto pelos k vizinhos mais pr´oximos ao usu´ario
ativo u:
Vu =
k
argmax
v∈U−{u}
sim(u, v), (2)
sim(u, v) ´e a fun¸c˜ao de similaridade apresentada na Eq. 1.
Magalh˜aes, J.J. CAIITE 2014 29
30. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Algoritmo Baseado em Vizinhan¸ca
Passo 3: Computar a predi¸c˜ao baseando-se numa combina¸c˜ao das
avalia¸c˜oes do conjunto preditor.
Nesse intuito pode ser utilizada a m´edia das avalia¸c˜oes do
conjunto Vu:
util(u, d) =
1
|Vu|
v∈Vu
r(v, d). (3)
Magalh˜aes, J.J. CAIITE 2014 30
32. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Filtragem Colaborativa
util(Jonathas, Estrelas) = 1.5
Usu´arios Vingadores Rambo Karatˆe Eclipse Estrelas
Jonathas 4 4 5 1 ∅
Rodolfo ∅ 1 3 5 5
Rˆomulo 3 4 ∅ 1 2
Elthon 4 5 3 ∅ 1
Para k = 2, VJonathas = {Rˆomulo, Elthon}, ent˜ao:
util(Jonathas, Estrelas) = (1+2)/2 = 1.5
Magalh˜aes, J.J. CAIITE 2014 32
33. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Limita¸c˜oes da Filtragem Colaborativa
Problema do novo item;
Avalia¸c˜oes esparsas;
Preferˆencias peculiares.
Magalh˜aes, J.J. CAIITE 2014 33
34. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Filtragem Baseada em Conte´udo
Recomenda-se itens baseando-se no conte´udo previamente
analisado pelo usu´ario;
Um fator primordial ´e a representa¸c˜ao do espa¸co de itens e perfis
de usu´ario;
A estrat´egia mais utilizada ´e o modelo vetorial.
Magalh˜aes, J.J. CAIITE 2014 34
35. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Modelo Vetorial
Modelo herdado da ´area de Recupera¸c˜ao de Informa¸c˜ao;
Cada documento ´e representado por um vetor de pesos;
Cada peso desse vetor ser´a referente `a importˆancia de um termo;
A importˆancia ´e computada por meio de an´alise textual.
Magalh˜aes, J.J. CAIITE 2014 35
36. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Modelo Vetorial
Dado um conjunto de termos T = {t1, ..., t|T|};
Dado um conjunto de itens D = {d1, ..., d|D|};
Cada item d ∈ D ´e representado pelo vetor d = (wd,1, ..., wd,|T|);
O peso wd,t significa a importˆancia do termo t ∈ T para o item
d ∈ D.
Magalh˜aes, J.J. CAIITE 2014 36
37. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
TF-IDF
TF-IDF Frequˆencia do Termo/Frequˆencia Inversa do Documento
(do inglˆes, Term Frequency/Inverse Document Frequency;
TF-IDF ´e uma das formas mais conhecidas de computar o peso
para indexar os documentos;
Magalh˜aes, J.J. CAIITE 2014 37
38. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Calculando o TF-IDF
Primeiro, calcula-se o TF:
TF(d, t) =
q(d, t)
q(d, T)
, (4)
q(d, t) ´e a quantidade de vezes que o termo t aparece no item d;
q(d, T) representa o n´umero total de termos presentes em d
Magalh˜aes, J.J. CAIITE 2014 38
39. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Calculando o TF-IDF
Segundo, calcula-se o IDF:
IDF(D, t) = log
|D|
|Dt|
, (5)
Dt
⊆ D ´e o conjunto de itens cujo termo t ocorre pelo menos
uma vez.
Magalh˜aes, J.J. CAIITE 2014 39
40. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Calculando o TF-IDF
Por fim, o TF-IDF(D, d, t) ´e dado pelo produto entre o TF e o
IDF:
wd,t = TF-IDF(D, d, t) = TF(d, t) ∗ IDF(D, t). (6)
Magalh˜aes, J.J. CAIITE 2014 40
41. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Perfil de Usu´ario
O perfil de usu´ario ´e obtido por meio de heur´ısticas que analisam
os itens previamente avaliados pelo usu´ario;
O perfil resultante ´e representado por:
pu = (wu,1, ..., wu,|T|), (7)
wu,i indica a importˆancia do termo ti para o usu´ario u.
Magalh˜aes, J.J. CAIITE 2014 41
42. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Similaridade entre Usu´arios e Itens
Perfis dos documentos e usu´ario computados;
A utilidade de um documento d para o usu´ario u ´e computada
pela similaridade entre o perfil do documento d e o perfil do
usu´ario u
Geralmente ´e utilizada a similaridade do cosseno Eq. 1.
Magalh˜aes, J.J. CAIITE 2014 42
43. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Filtragem Baseada em Conte´udo
Filmes Porrada A¸c˜ao Aventura Romance Lobos
Vingadores 1 1 1 0 0
Rambo 1 1 1 0 0
Karatˆe 1 1 1 0 0
Estrelas 0 0 0 1 0
Eclipse 0 0 0 1 1
Lua 0 0 0 1 1
Supondo que assisti:
Rambo:4;
Eclipse:1.
Magalh˜aes, J.J. CAIITE 2014 43
44. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Filtragem Baseada em Conte´udo
Usu´ario Porrada A¸c˜ao Aventura Romance Lobos
Jonathas 1 1 1 0.25 0.25
Filmes Porrada A¸c˜ao Aventura Romance Lobos sim
Vingadores 1 1 1 0 0 0.97
Rambo 1 1 1 0 0 –
Karatˆe 1 1 1 0 0 0.95
Estrelas 0 0 0 1 0 0.14
Eclipse 0 0 0 1 1 –
Lua 0 0 0 1 1 0.20
Recomendados:
Vingadores e Karatˆe.
Magalh˜aes, J.J. CAIITE 2014 44
45. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Limita¸c˜oes da Filtragem Baseada em Conte´udo
An´alise de conte´udo limitada;
Super-especializa¸c˜ao;
O problema do novo usu´ario;
Atualiza¸c˜ao de perfil.
Magalh˜aes, J.J. CAIITE 2014 45
46. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Precis˜ao e Cobertura
Precis˜ao e Cobertura
Cobertura = A/(A+D);
Precis˜ao = A/(A+B).
Magalh˜aes, J.J. CAIITE 2014 46
47. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Filtragem Colaborativa
Filtragem Baseada em Conte´udo
Avalia¸c˜ao de Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Ferramentas para Sistemas de Recomenda¸c˜ao
Lucene – http://lucene.apache.org/core/;
Natural Language Toolkit (NLTK) – http://www.nltk.org/;
The LensKit Recommender Toolkit (LensKit) –
http://lenskit.grouplens.org/;
Apache Mahout – https://mahout.apache.org/.
Magalh˜aes, J.J. CAIITE 2014 47
48. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Desafios
Coletar opini˜oes e dados de experiˆencia;
Descobrir dados relevantes para um determinado fim;
Apresentar os dados de forma ´util.
Magalh˜aes, J.J. CAIITE 2014 48
49. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Tendˆencias
Utiliza¸c˜ao de multi-crit´erios;
Integra¸c˜ao de m´ultiplas fontes de dados;
Redu¸c˜ao de Dimensionalidade;
Combina¸c˜ao de m´ultiplos Sistemas de Recomenda¸c˜ao;
Utiliza¸c˜ao de informa¸c˜ao social;
Recomenda¸c˜ao de novidade.
Magalh˜aes, J.J. CAIITE 2014 49
50. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Recomenda¸c˜ao de Artigos Cient´ıficos
O que temos feito?
Recomenda¸c˜ao de Artigos Cient´ıficos;
Recomenda¸c˜ao de Especialistas;
Participa¸c˜ao no 2014 RecSysChallenge.
Magalh˜aes, J.J. CAIITE 2014 50
51. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Recomenda¸c˜ao de Artigos Cient´ıficos
Recomenda¸c˜ao de Artigos Cient´ıficos
Desenvolvemos um Sistema de Recomenda¸c˜ao Personalizada de
Artigos Cient´ıficos;
O Sistema de Recomenda¸c˜ao constr´oi o perfil de usu´ario
utilizando informa¸c˜ao do:
Lattes;
Mendeley;
LinkedIn.
Magalh˜aes, J.J. CAIITE 2014 51
52. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Recomenda¸c˜ao de Artigos Cient´ıficos
O que ´e Lattes?
Magalh˜aes, J.J. CAIITE 2014 52
53. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Recomenda¸c˜ao de Artigos Cient´ıficos
O que ´e Lattes?
Magalh˜aes, J.J. CAIITE 2014 53
54. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Recomenda¸c˜ao de Artigos Cient´ıficos
O que ´e Capturado de cada Fonte?
Lattes
Resum´e;
Forma¸c˜ao Acadˆemica;
Projetos;
Produ¸c˜ao Bibliogr´afica.
Mendeley
Artigos na livraria do usu´ario.
LinkedIn
Habilidades.
Magalh˜aes, J.J. CAIITE 2014 54
55. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Recomenda¸c˜ao de Artigos Cient´ıficos
RecSalt - www.recsalt.com
RecSalt ´e uma ferramenta que ajuda aos seus usu´arios
recomendando artigos;
Foi desenvolvida utilizando o framework Django;
Avalia¸c˜ao realizada com 30 usu´arios e 50 artigos;
Foram obtidos bons resultados com o Lattes;
A abordagem de integra¸c˜ao de dados do Mendeley e LinkedIn
n˜ao obteve bons resultados.
Magalh˜aes, J.J. CAIITE 2014 55
56. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Recomenda¸c˜ao de Artigos Cient´ıficos
RecSalt - www.recsalt.com
Magalh˜aes, J.J. CAIITE 2014 56
57. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Recomenda¸c˜ao de Artigos Cient´ıficos
Desafios
Como validar em larga escala?
Como expandir nossa abordagem para pesquisadores n˜ao
Brasileiros?
Como incorporar dados sobre o artigo no modelo?
Como lidar com quest˜oes de desempenho?
Magalh˜aes, J.J. CAIITE 2014 57
58. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Recomenda¸c˜ao de Artigos Cient´ıficos
Pr´oximos Passos
Novidade na recomenda¸c˜ao;
Incorporar informa¸c˜ao social.
Magalh˜aes, J.J. CAIITE 2014 58
60. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Grupos de Pesquisa
TIPS – UFAL;
LIA, SIMBAD – UFCG;
MADMUC – Saskatchewan - Canad´a;
GroupLens – Minnesota - EUA;
PAWS – Pittsburgh - EUA.
Magalh˜aes, J.J. CAIITE 2014 60
61. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Artigos
Adomavicius e Tuzhilin 2005 – Toward the Next Generation of
Recommender Systems: A Survey of the State-of-the-art and
Possible Extensions;
Bobadilla et al. 2013 – Recommender Systems Survey.
Magalh˜aes, J.J. CAIITE 2014 61
62. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Conferˆencias
RecSys – ACM Recommender Systems;
UMAP – International Conference on User Modeling, Adaption
and Personalization;
CSCW – ACM Conference on Computer Supported Cooperative
Work;
ACM/WWW – International World Wide Web Conference;
ICCSA – International Conference on Computational Science and
its Applications.
Magalh˜aes, J.J. CAIITE 2014 62
63. Introdu¸c˜ao
Conceitos e Aplica¸c˜oes
T´ecnicas e Ferramentas
Desafios e Tendˆencias
O que temos feito?
Cursos
Introduction to Recommender Systems
https://www.coursera.org/course/recsys.
Magalh˜aes, J.J. CAIITE 2014 63