O documento apresenta um resumo sobre sistemas de recomendação em Ruby. Ele discute os principais tipos de sistemas de recomendação, como content-based e collaborative filtering, e ferramentas em Ruby como SciRuby. Também aborda métricas como precisão e recall para avaliar desempenho de algoritmos de recomendação.
3. Tipos de recomendação
- Content-based filtering (Baseadas em
conteúdo dos itens)
- Collaborative filtering (Baseadas em
usuarios)
- Hibridas
4. Content-based filtering
Baseado em conteúdos dos itens, verifica a
semelhança .
Algoritmos mais comuns são: tf-idf (term
frequency–inverse document frequency), a
Correlação de Pearson - mede a correlação
entre duas variáveis X e Y numa faixa [-1] ~ [1]
5. Collaborative filtering
Baseado nos usuários, verifica a semelhança
entre eles e procura a similaridade entre eles.
Algoritmo mais comum é o: k-NN (k vizinhos
mais próximos) procura o vizinho mais próximo
6. Ferramentas em Ruby
Como o ruby tem menos tradição científica,
como python, há menos gems :(
SciRuby (http://sciruby.com/) :)
Tools for Scientific Computing in Ruby
7. Performance do dataset/algoritmo
- MSE (root mean square) Calcula o valor
eficaz de uma função variável continua ou
uma série discreta, MSE = 0 indica
simulação perfeita.
- RMSE (root-mean-square error) apresenta
valores do erro nas mesmas dimensões da
variável analisada.
8. Métrica
- Presição: Mede o acerto das
recomendações. precisao=tp/(tp+fp)
- Recall: quantidade de itens de interesse do
usuário que aparecem na lista de
recomendações. recall=tp/(tp+fn)
9. Referências
Recommender Systems with Ruby
http://pt.slideshare.net/marcelcaraciolo/recomm
ender-systems-with-ruby-adding-machine-
learning-statistics-etc
Big Data, Data Mining, and Machine
Learning, Jared Dean, 2014