1. Ferramentas de
Recomendação
Projeto Final de Curso
Aluno:
João Paulo Alquéres
Orientadora:
Rosa Maria Esteves Moreira da Costa Costa
Departamento de Informática e Ciência da Computação

2.  Introdução
 Ferramentas de Recomendação
 Um algoritmo para recomendação de filmes
 O Sistema Indic@
 Conclusão
 Perspectivas Futuras
Agenda

3.  Introdução
 Ferramentas de Recomendação
 Um algoritmo para recomendação de filmes
 O Sistema Indic@
 Conclusão
 Perspectivas Futuras
Agenda

4.  Surgimento na década de 90
 Sobrecarga de Informação
 A web 1.0 e a web 2.0.
 Campo de conhecimento pouco explorado
 Implementação muito discreta no Brasil
Introdução

5.  Introdução
 Ferramentas de Recomendação
 Um algoritmo para recomendação de filmes
 O Sistema Indic@
 Conclusão
 Perspectivas Futuras
Agenda

6.  Objetivos
Endereçar a sobrecarga de Informação
Filtrar e compartilhar o conteúdo da WEB
Auxiliar na pesquisa
Direcionar ações de marketing e vendas
Ferramentas de Recomendação

7.  Abordagens
 Conteúdo X Colaboração
 Item X Item (Conteúdo)
 Usuário X Item (Colaborativa)
 Abordagem Híbrida
 Coleta de informação Ativa X Passiva
Ferramentas de Recomendação
Conteúdo:
 Análise baseada em pouca informação
 Recomendações muito específicas
 Usuários novos recebem recomendações
menos precisas
Limitações nas Abordagens
Colaboração:
 Matriz de notas Esparsa
 Ítens novos não tem notas suficientes para
serem recomendados
 Usuários novos recebem recomendações menos
precisas

8.  Domínios de Aplicação
Notícias
Comércio-eletrônico
Navegação na Internet
Filmes
Artigos Acadêmicos
E-mail
Musica
Ferramentas de Recomendação

9.  Métricas
 Cobertura
Medir a quantidade de itens para os quais podem ser
geradas recomendações no sistema.
 Precisão
 Estatística
Comparar valores obtidos pela interação do usuário
com valores inferidos pelo sistema
 Suporte à Decisão
Medir a eficiência do sistema em oferecer previsões
úteis para o usuário.
Ferramentas de Recomendação

10.  Implicações Sociais e Econômicas
Long Tail (Cris Anderson, 2006)
Privacidade
Ferramentas de Recomendação
Médio varejista
Somente Instações físicas
Médio varejista
Instações físicas e virtuais
Grande varejista
Instações físicas e virtuais
Grande varejista
Somente instalações virtuais$ $$$$$$$$$
$$$$$$$$$
$$$$$$$$$

11.  Implementações no Mundo X Brasil
MovieLens (filmes)
Pandora (música)
Last.fm (música)
Amazon (varejo)
Submarino (varejo)
Ferramentas de Recomendação

12.  Introdução
 Ferramentas de Recomendação
 Um algoritmo para recomendação de filmes
 O Sistema Indic@
 Conclusão
 Perspectivas Futuras
Agenda

13. Um Algoritmo para recomendação de filmes
 Motivação
 A maoiria das abordagens propostoas nos
sistemas de recomendação em uso
baseam-se em notas num escala que vai
de 1 a 5.
 Partindo do pressuposto de que o usuário
não consegue inferir corretamente a nota
que ele daria para um filme que viu,
poderiam ser geradas recomendações
imprecisas com base nestes dasdos,
comprometendo assim a funcionalidade
da ferramenta.
 O desafio foi criar um algoritmo
totalmente independente da inferência
do usuário sobre as notas (com um
sistema de pontuação passivo)
?
?
?

14. Um Algoritmo para recomendação de filmes
 Na teoria, o funcionamento do
algorítmo de recomendação
pode ser apresentando da
seguinte forma:
A
B
C
A1
A2
B1
B2
C1
R=B1-B2
Se um usuário se interessa por gêneros de filmes
na mesma proporção que um outro usuário, então é
possível inferir que filmes que não tenham sido
vistos pelo primeiro mas que sejam conhecidos do
segundo, sejam interessantes ao primeiro usuário.
A: usuários
B: filmes
C: gêneros

15. Um Algoritmo para recomendação de filmes
 Na abordagem do algoritmo, são
utilizados utilizados conceitos
de algebra linear e estatística.

16.  Introdução
 Ferramentas de Recomendação
 Um algoritmo para recomendação de filmes
 O Sistema Indic@
 Conclusão
 Perspectivas Futuras
Agenda

17. O Sistema Indica
 O sistema foi desenvolvido
com o objetivo de prototipar
o algoritmo proposto no
trabalho.

18. O Sistema Indica
 A lista de casos de uso e o
diagramas de casos de uso do
sistema.

19.  Introdução
 Ferramentas de Recomendação
 Um algoritmo para recomendação de filmes
 O Sistema Indic@
 Conclusão
 Perspectivas Futuras
Agenda

20. Conclusão
 Ferramentas de Recomendação ajudam a lidar
com o problema cada vez mais presente da
sobrecarga de informação na WEB.
 No escopo nacional, a implementação de
ferramentas deste tipo se encontram em um
estágio primário (de acordo com levantamento
feito em sites especializados).
 O problema central tratado pelas ferramentas de
recomendação é etender como objetos em um
grupo se inter-relacionam, e como estes se
relacionam com seus portadores. Com 20 anos de
existência, a pesquisa acadêmica na área ainda
tem muitos desafios que ultrapassam os limites da
ciência da computação e sugerem uma abordagem
multidisciplinar envolvendo estatística, economia,
ciências sociais e até psicologia.

21.  Introdução
 Ferramentas de Recomendação
 Um algoritmo para recomendação de filmes
 O Sistema Indic@
 Conclusão
 Perspectivas Futuras
Agenda

22. Perspectivas futuras
 Ferramentas de recomendação estão cada vez mais se
tornando necessárias para endereçar o problema da
sobrecarga de informação.
 Com o desenvolvimento das técnicas de inteligência artificial
e da comunicação ubiqua, será possível monitorar as escolhas
dos usuários em tempo real, 24 X 7 X 365 .
 No escopo nacional a produção acadêmica ainda esta
bastante tímida, o que abre espaço para o desenvolvimento
deste interessante ramo de pesquisa.
 Com o avanço da pesquisa na área de reconhecimento de som
e vídeo, será possível também desenvolver abordagens
baseadas no conteúdo não só escrito, mas também em aúdio
e vídeo.

23. Perguntas?

24. Bibliografia
 Montaner, M et al. (2003) “A Taxonomy of Recommender Agents on the Internet”,
In: Artificial Intelligence Review, p.285-330
 Reategui, E B; Cazella, S C (2005) “Sistemas de Recomendação”,
In: XXC Congresso da Sociedade Brasileira de Computação, p.306-340
 Adomavicius, G; Tuzhilin, A (2005) “Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions,
In: IEEE Transactions on Knowledge and Data Engineering, Vol.17, No.6, June 2005 p.734-749
 O’Reilly, T (2006) “Web 2.0 Principles and Best Practices”
 Belkin, N; Croft, W (1992) “Information Filtering and information Retrieval: Two Sides of the Same Coin?”
In: Communications of the ACM December 1992 Vol. 35, No.12 p.29-38
 Goldberg, D et al. (1992) “Using Collaborative Filtering to Weave na Information Tapestry”
In: Communications of the ACM December 1992 Vol. 35, No.12 p.61-70
 Foltz, P; Dumais, S (1992) “Personalized Information Delivery: An Analysis of Information Filtering Methods”
In: Communications of the ACM December 1992 Vol. 35, No.12 p.51-60
 Riedl et. al. (1999) “Combining Collaborative Filtering with Personal Agents for Better Recommendations”
GroupLens Research Project – University of Minnesota.
 Anderson, Cris (2006) “The Long Tail” In: Wired Magazine p.X-Y
 Melville, P. et al. (2002) “Content-Boosted Collaborative Filtering for Improved Recommendations” In: Proceedings of the Eighteenth National Conference
on Artificial Intelligence (AAAI-2002) p.187-192 July 2002
 Bezerra, B.(2002) “Estudo de Algoritmos de Filtragem de Informação Baseados em Conteúdo”