Introdução à sistemas de recomendação

84 visualizações

Publicada em

Conceitos básicos de sistemas de recomendação, filtro colaborativo, filtro baseado em conteúdo, avaliação e recursos.

Publicada em: Tecnologia
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
84
No SlideShare
0
A partir de incorporações
0
Número de incorporações
1
Ações
Compartilhamentos
0
Downloads
4
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Introdução à sistemas de recomendação

  1. 1. Introdução à Sistemas de Recomendação
  2. 2. Meu nome é Ralph Rassweiler Vamos falar sobre sistemas de recomendação. Olá!
  3. 3. Por que eu deveria me importar?
  4. 4. #1 Onipresença
  5. 5. #2 Lucro http://www.moneysense.ca/invest/10-reasons-youre-not-rich/
  6. 6. http://www.intelliverse.com/blog/2015/10/06/the-power-of-personalized-product- recommendations/ 35% Vendas a partir de recomendações
  7. 7. http://www.businessinsider.com/netflixs-recommendation-engine-drives-75-of-viewership-2012-4 75% Visualizações a partir de recomendações
  8. 8. http://blog.hubspot.com/blog/tabid/6307/bid/30239/71-More-Likely-to-Purchase-Based-on- Social-Media-Referrals-Infographic.aspx#sm.00008lj1ykg78f4yt7t1dfljglm83 71% Compra provável se referenciado
  9. 9. https://www.statista.com/chart/1945/essential-devices/
  10. 10. http://www.marketingcharts.com/television/tv-ad-revenues-drop-12- 12613/attachment/yankeegroup-media-averages-apr-2010jpg/
  11. 11. http://blog.pmweb.com.br/a-internet-no-brasil-em-2015/#sthash.UQFJUsvE.lDTpFsd1.dpbs
  12. 12. Contextualização1
  13. 13. Contextualização Sempre haverá usuários e itens
  14. 14. Contextualização Sempre haverá usuários e itens …em um contexto
  15. 15. Contextualização O usuário expressa suas preferências implícita/explícita Excelente Muito Bom Bom Ruim Péssimo
  16. 16. Contextualização O sistema indica itens
  17. 17. “ Um Sistema de Recomendação é um software que antecipa necessidades de usuários
  18. 18. Similaridades entre usuários Filtragem Colaborativa (FC)2
  19. 19. FC
  20. 20. FC - Entre usuários 4,5 ? ? 4,0 5,0 4,0 1,5 4,0 4,5 4,0
  21. 21. FC - Entre usuários ? ?
  22. 22. FC - Entre usuários ?
  23. 23. FC - Entre usuários
  24. 24. FC - Entre usuários 4,5 1,73 ? 4,0 5,0 4,0 1,5 4,0 4,5 4,0
  25. 25. FC - Entre usuários 4,5 1,73 4,21 4,0 5,0 4,0 1,5 4,0 4,5 4,0
  26. 26. FC - Entre usuários #1 Calcular similaridade entre usuários #3 Recomendar n itens com as maiores avaliações #2 Prever as avaliações
  27. 27. FC - Entre itens Woody ? Buzz Yoda ? ? Luke ? ? Darth Vader ? ?
  28. 28. FC - Entre itens Woody ? Buzz Yoda ? ? Luke ? ? Darth Vader ? ?
  29. 29. FC - Entre itens Gostou? Então sugerimos estes
  30. 30. As recomendações não são óbvias. O domínio de negócio é desnecessário. Simples de implementar!
  31. 31. FC - Entre itens #1 Calcular similaridade entre itens #3 Recomendar n itens com as maiores avaliações #2 Prever as avaliações
  32. 32. Atributos dos itens Filtragem baseada em conteúdo (FBC)3
  33. 33. FBC Gênero Comédia Ação Animação Horror Drama Diretor P. Feig D. Yates C. Renaud D. Sandberg B. Furman Escritor P. Feig A. Cozad C. Paul E. Heisserer E. Furman Estúdio Sony Lionsgate Universal RatPac-Dune Broad Green Classificação PG-13 PG-13 PG PG-13 R
  34. 34. FBC ? ?
  35. 35. FBC - Árvore de Decisão
  36. 36. Transparência. Independência de outros usuários. É possível recomendar novos itens.
  37. 37. FBC #1 Modelar perfil dos usuários #3 Contrastar perfis, recomendar mais parecidos #2 Modelar perfil dos itens
  38. 38. Revisando Recomendações inovadoras Itens recomendados estão associados ao conhecimento da comunidade. Simplicidade O modelo colaborativo é simples e fácil de implementar. Domínio de negócio Para o modelo colaborativo, é desnecessário. Transparência É simples explicar o porquê de recomendações no modelo baseado em conteúdo. Independência de usuários O modelo baseado em conteúdo dá foco aos atributos dos itens. Novo item Novos itens podem ser recomendados no modelo baseado em conteúdo.
  39. 39. É muito fácil construir um Sistema de Recomendação!
  40. 40. Desafios4
  41. 41. Desafios ? ?
  42. 42. Desafios ? ?
  43. 43. Desafios ? ? ? ? ? ? ?
  44. 44. Desafios ? ? ? ? ? ? ? ? ? ?
  45. 45. Cold-start!
  46. 46. Desafios ... ? ? ...
  47. 47. Varia conforme o domínio, mas é comum ficar próximo a 99%!Esparsidade!
  48. 48. Desafios Woody ? Buzz Yoda ? Luke ? Darth Vader ? ?
  49. 49. Desafios Woody ? Buzz Yoda ? Luke ? Darth Vader ? ?
  50. 50. Ovelha-negra!
  51. 51. Desafios Gênero Comédia Ação Animação Horror Drama Diretor P. Feig D. Yates C. Renaud D. Sandberg B. Furman Escritor P. Feig A. Cozad C. Paul E. Heisserer E. Furman Estúdio Sony Lionsgate Universal RatPac-Dune Broad Green Classificação PG-13 PG-13 PG PG-13 R
  52. 52. Análise de conteúdo limitada!
  53. 53. Desafios Gênero Fantasia Fantasia Fantasia Fantasia Diretor C. Columbus C. Columbus A. Cuarón M. Newell Escritor Steve Kloves Steve Kloves Steve Kloves Steve Kloves Estúdio Warner Warner Warner Warner Classificação PG PG PG PG
  54. 54. Desafios Gênero Fantasia Fantasia Fantasia Fantasia Fantasia Diretor C. Columbus C. Columbus A. Cuarón M. Newell D. Yates Escritor Steve Kloves Steve Kloves Steve Kloves Steve Kloves Goldenberg Estúdio Warner Warner Warner Warner Warner Classificação PG PG PG PG PG-13
  55. 55. Mais do mesmo… Super- Especialização!
  56. 56. Desafios Curti estes pratos! 2014 à 2016
  57. 57. Desafios A partir de hoje sou vegetariano! 2017
  58. 58. O Buzz vai continuar recebendo recomendações de pratos com carne por um tempo! Estabilidade em detrimento de plasticidade!
  59. 59. Revisando Cold-Start Novo item ou novo usuário não recebem recomendações. Esparsidade Poucas avaliações disponíveis dificultam predição acurada. Análise limitada Carência de atributos ou muitos atributos inúteis não representam a essência do item. Super-especialização O modelo FBC pode gerar recomendações óbvias. Ovelha negra Alguns usuários tem preferências muito particulares. Estabilidade vs Plasticidade Depois que o perfil do usuário está estabelecido é difícil mudar.
  60. 60. Temperos5
  61. 61. Avaliação - Qualidade da Predição 4,5 1,73 4,21 4,0 5,0 4,0 1,5 4,0 4,5 4,0
  62. 62. Avaliação - Qualidade da Predição 4,5 2,0 2,5 4,0 5,0 4,0 1,5 4,0 4,5 4,0
  63. 63. O Netflix nunca colocou em produção o vencedor do prêmio. http://www.wired.com/2012/04/netflix-prize-costs/
  64. 64. Avaliação - Qualidade do ranking #1 #2 #3 #4 #5
  65. 65. Especializações Demográfico Ciente de Contexto Conhecimento
  66. 66. Afff… chega né? Muita coisa...
  67. 67. Finale6
  68. 68. O que faz um Sistema de Recomendação ser bom?
  69. 69. O que faz um Sistema de Recomendação ser bom? Diverso
  70. 70. O que faz um Sistema de Recomendação ser bom? Surpreendente
  71. 71. O que faz um Sistema de Recomendação ser bom? Personalizado
  72. 72. Recursos Coursera
  73. 73. Recursos
  74. 74. Recursos 2002 - Hybrid Recommender Systems Survey and Experiments 2002 - Incremental SVD-Based Algorithms for Highly Scalable Recommender Systems 2005 - Toward the Next Generation of Recommender Systems A Survey of the state-of-the-art and possible extensions 2006 - Being Accurate is Not Enough 2007 - Content-Based Recommendation Systems 2009 - A Survey of Accuracy Evaluation Metrics of Recommendation Tasks 2011 - Collaborative Filtering Recommender Systems 2013 - Recommender Systems Survey
  75. 75. Alguma pergunta ? Encontre-me em ◉ ralphrass@gmail.com ◉ http://www.slideshare.net/ralphrass/ introduo-sistemas-de-recomendao Obrigado!
  76. 76. Créditos ◉ Template da apresentação de SlidesCarnival ◉ Imagens de http://pixar.wikia.com/

×