Ferramentas de Recomendação

206 visualizações

Publicada em

0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
206
No SlideShare
0
A partir de incorporações
0
Número de incorporações
3
Ações
Compartilhamentos
0
Downloads
3
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Ferramentas de Recomendação

  1. 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. 2.  Introdução  Ferramentas de Recomendação  Um algoritmo para recomendação de filmes  O Sistema Indic@  Conclusão  Perspectivas Futuras Agenda
  3. 3.  Introdução  Ferramentas de Recomendação  Um algoritmo para recomendação de filmes  O Sistema Indic@  Conclusão  Perspectivas Futuras Agenda
  4. 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. 5.  Introdução  Ferramentas de Recomendação  Um algoritmo para recomendação de filmes  O Sistema Indic@  Conclusão  Perspectivas Futuras Agenda
  6. 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. 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. 8.  Domínios de Aplicação Notícias Comércio-eletrônico Navegação na Internet Filmes Artigos Acadêmicos E-mail Musica Ferramentas de Recomendação
  9. 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. 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. 11.  Implementações no Mundo X Brasil MovieLens (filmes) Pandora (música) Last.fm (música) Amazon (varejo) Submarino (varejo) Ferramentas de Recomendação
  12. 12.  Introdução  Ferramentas de Recomendação  Um algoritmo para recomendação de filmes  O Sistema Indic@  Conclusão  Perspectivas Futuras Agenda
  13. 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. 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. 15. Um Algoritmo para recomendação de filmes  Na abordagem do algoritmo, são utilizados utilizados conceitos de algebra linear e estatística.
  16. 16.  Introdução  Ferramentas de Recomendação  Um algoritmo para recomendação de filmes  O Sistema Indic@  Conclusão  Perspectivas Futuras Agenda
  17. 17. O Sistema Indica  O sistema foi desenvolvido com o objetivo de prototipar o algoritmo proposto no trabalho.
  18. 18. O Sistema Indica  A lista de casos de uso e o diagramas de casos de uso do sistema.
  19. 19.  Introdução  Ferramentas de Recomendação  Um algoritmo para recomendação de filmes  O Sistema Indic@  Conclusão  Perspectivas Futuras Agenda
  20. 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. 21.  Introdução  Ferramentas de Recomendação  Um algoritmo para recomendação de filmes  O Sistema Indic@  Conclusão  Perspectivas Futuras Agenda
  22. 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. 23. Perguntas?
  24. 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”

×