Sistemas de recomendação

1.061 visualizações

Publicada em

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

Sem downloads
Visualizações
Visualizações totais
1.061
No SlideShare
0
A partir de incorporações
0
Número de incorporações
14
Ações
Compartilhamentos
0
Downloads
27
Comentários
0
Gostaram
3
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Sistemas de recomendação

  1. 1. sistemas de recomendação por rafael barbolo lopes
  2. 2. roteiro 2. Sistemas de 4. Filtragem1. Motivação 3. Similaridade recomendação colaborativa 6. Exemplo:5. Análise de recomendação conteúdo de filmes
  3. 3. roteiro 2. Sistemas de 4. Filtragem1. Motivação recomendação 3. Similaridade colaborativa 6. Exemplo: 5. Análise de recomendação conteúdo de filmes
  4. 4. somos bombardeados de informações...
  5. 5. gastamos muito tempo escolhendo...
  6. 6. consequênciadeixamos de explorar novas oportunidades!
  7. 7. empresas vendem menos serviços e produtos! consequência
  8. 8. roteiro 2. Sistemas de 4. Filtragem1. Motivação 3. Similaridade recomendação colaborativa 6. Exemplo:5. Análise de recomendação conteúdo de filmes
  9. 9. sistemas de recomendação: • identificam similaridades entre itens e usuários • influenciam nossas escolhas através de sugestões • utilizam técnicas inteligentes • usados para aumentar consumo de produtos e serviços
  10. 10. consumo• 2/3 dos aluguéis na Netflix são de filmes recomendados• 38% de cliques a mais são gerados no Google News através de recomendação de notícias• 35% das vendas da Amazon são provenientes de recomendação fonte: Lamere & Celma, ISMIR 2007
  11. 11. roteiro 2. Sistemas de 4. Filtragem1. Motivação recomendação 3. Similaridade colaborativa 6. Exemplo:5. Análise de recomendação conteúdo de filmes
  12. 12. A similaridade é uma heurística quedetermina quão próximos itens são uns dos outros. É a base de um sistema de recomendações.
  13. 13. Pode-se pensar em similaridade como distância entre itens. Quanto menos distantes, mais similares.
  14. 14. roteiro 2. Sistemas de 4. Filtragem1. Motivação 3. Similaridade recomendação colaborativa 6. Exemplo:5. Análise de recomendação conteúdo de filmes
  15. 15. filtragem colaborativa Diga-me com quem andas e direi quem és
  16. 16. filtragem colaborativa• analisa interações de usuários com os itens do sistema• realiza recomendações com base em usuários similares ou em itens similares
  17. 17. usuários similares• identifica usuários que compartilham os mesmos interesses (vizinhos)• sugere para um usuário o que seus vizinhos gostam
  18. 18. usuários similares EXEMPLO• rádio de músicas online• objetivo: recomendar músicas para usuários• heurística de similaridade entre dois usuários: coseno entre vetores de suas avaliações
  19. 19. usuários similares EXEMPLO• Usuários: A, B, C e D• Músicas candidatas a serem recomendadas: xey• Usuário que receberá recomendações: D
  20. 20. 4 Sistema de Recomenda¸ao com Inteligˆncia Artificial c˜ e 4 Sistema de Recomenda¸ao com Inteligˆncia Artificial c˜ e Usu´rio M´ sica Avalia¸˜o a u ca 4 Sistema de Recomenda¸ao com Inteligˆ3 A c˜ x encia Artificial Usu´rio M´ sica Avalia¸˜o a u ca A y 2 A xM´ sica3Avalia¸˜oDados BUsu´rio x u a 5 ca AA yx 23 B B xy 521 A y C B x yx 150 B C C xy 014 B y Tabela 1. Avalia¸Ces dos usu´rios A, B e C sobre as m´ sicas x e y co ˜ y a 4 u C x 0 Tabela 1. Avalia¸oes dos usu´rios A, 4 e C sobre as m´ sicas x e y c˜ C a y B u Tabela 1. Avalia¸oes dos usu´rios A, B e C sobre as m´ sicas x e y c˜ a u Usu´rio Similaridade com D a Usu´rio Similaridade com D A a 0.52 A BUsu´rio0.52 a 0.93 Similaridade com D BA C 0.93 0.12 0.52 CB 0.12 0.93 Tabela 2. Similaridade dos usu´rios A, B e C medidas para o usu´rio D a a Tabela 2. Similaridade dos usu´rios A, B e C medidas para o usu´rio D C a 0.12 a Tabela 2. Similaridade dos usu´rios A, B e C medidas para o usu´rio D a a Pode-se calcular as estimativas de avalia¸˜es do usu´rio D sobre as m´sicas co a u Pode-se calcular as estimativas de avalia¸˜es do usu´rio D sobre as m´sicas co a u xxe eyycomo mostrado na tabela 3. como mostrado na tabela 3. Pode-se calcular as estimativas de avalia¸˜es do usu´rio D sobre as m´sicas co a u x e y como mostrado na tabela 3.Cálculo M´ sica Estimativa de avalia¸˜o o M´ sica Estimativa de avalia¸˜ uu (0.52 ∗ 4 + 0.93 caa c (0.52 ∗ 4 + 0.93 ∗∗ avalia¸a ∗ x M´ sica Estimativa de 55+ 0.12˜o 0)/(0.52 + 0.93 0.12) = 4.29 + 0.12 0)/(0.52 + 0.93 + + 0.12) = 4.29 x u c∗ yx y (0.52 ∗∗24+0.93 ∗∗11+ 0.12 ∗∗4)/(0.52 + + 0.93 0.12) = 1.56 (0.52 2 + 0.93 ∗ 5 + 0.12 ∗0)/(0.52 +0.93 + + 0.12) = 1.56 + 0.93 + 0.12 4)/(0.52 0.93 + 0.12) = 4.29 Tabela 3. Estimativas de avalia¸o0.12do usu´rio D sobre asum´ sicas x e y Tabela 3. Estimativas de avalia¸oes ∗ usu´rio D sobre+ 0.12)sicas x e y y (0.52 ∗ 2 + 0.93 ∗ 1 + ˜ do 4)/(0.52 + 0.93 as m´ = 1.56 c c˜es aa u Tabela 3. Estimativas de avalia¸oes do usu´rio D sobre as m´sicas x e y c˜ a u A partir das estimativas de avalia¸˜es do usu´rio D sobre as m´sicas x e y, co a u
  21. 21. itens similares• Identifica itens similares• sugere para um usuário um item similar a outro que ele gostou
  22. 22. itens similares EXEMPLO• Usando novamente o exemplo da rádio online de músicas• Usuário que receberá recomendação: A• Músicas: x, y, z e w• Músicas candidatas a serem recomendadas: zew
  23. 23. funcionamento desse algoritmo, o exemplo da r´dio de m´sicas online ´ usado a u e novamente. Suponha que deseja-se realizar recomenda¸˜es de m´sicas para o co u usu´rio A. a Assuma que o usu´rio A avaliou as m´sicas x e y de acordo com a tabela 4 a u e que as similaridades entre as m´sicas x, y, z e w sejam dadas pela tabela 5. uDados x u 4 ca Sistemas de Recomenda¸˜o com IA M´ sica Avalia¸˜o do usu´rio A a ca 5 M´ sica 1 M´ sica 2 Similaridade entre m´ sicas 1 e 2 u uy 2 u x Tabela 4. Avalia¸0.59 usu´rio A sobre as m´sicas x e y y coes do ˜ a u x z 0.32 Sistemas de Recomenda¸˜o com IA ca 5 x w 0.98 y M´ sicaz1 M´ sica 0.22 u u 2 Similaridade entre m´ sicas 1 e 2 u y x w y 0.09 0.59 z x w z 0.02 0.32 Tabela 5. Similaridades entre m´ sicas x, y, z e w (rela¸ao de similaridade ´ sim´trica) x w u 0.98 c˜ e e y z 0.22 y w 0.09 z w 0.02 Tabela 5. Similaridades entre m´ sicas x, y, z e w (rela¸ao de similaridade ´ sim´trica) u c˜ e e Com base nas informa¸˜es apresentadas, pode-se calcular as estimativas de co avalia¸˜o para as m´sicas z e w, como mostrado na tabela 6. ca u Com base nas informa¸˜es apresentadas, pode-se calcular as estimativas de coCálculo avalia¸˜o paraM´ sica Estimativa de avalia¸˜ona tabela 6. ca z u u as m´sicas z e w, como mostrado ca (0.32 ∗ 4 + 0.22 ∗ 2)/(0.78 + 0.22) = 1.72 w (0.98 ∗ 4 + 0.09 ∗ 2)/(0.98 + 0.09) = 3.83 Tabela 6. Estimativas de avalia¸oes do usu´rio A sobre as m´ sicas z e w c˜ a u M´ sica Estimativa de avalia¸˜o u ca z (0.32 ∗ 4 + 0.22 ∗ 2)/(0.78 + 0.22) = 1.72 w (0.98 ∗ 4 + 0.09 ∗ 2)/(0.98 + 0.09) = 3.83 Tabela 6. Estimativas de avalia¸oes do usu´rio A sobre as m´ sicas z e w c˜ a u
  24. 24. roteiro 2. Sistemas de 4. Filtragem 1. Motivação 3. Similaridade recomendação colaborativa 6. Exemplo:5. Análise de recomendação conteúdo de filmes
  25. 25. análise de conteúdo• analisa estrutura de itens e de usuários• deve-se prever itens com perfis que se encaixam ao que o usuário espera receber de recomendação
  26. 26. análise de conteúdo EXEMPLO• jogo de futebol em vídeo game• objetivo: recomendar jogadores em substituições durante partidas• jogador possui os atributos: força, velocidade, inteligência, precisão no chute e resistência cardiovascular• cada atributo é um valor entre 0 e 100
  27. 27. perfil de um jogador (gráfico de radar)
  28. 28. jogadores
  29. 29. jogadores similares
  30. 30. roteiro 2. Sistemas de 4. Filtragem1. Motivação 3. Similaridade recomendação colaborativa 6. Exemplo:5. Análise de conteúdo recomendação de filmes
  31. 31. MOVIE RECOMMENDER• Recomendação de filmes• Híbrido: filtragem colaborativa + análise de conteúdo• Tecnologias: Ruby, C, MySQL• Base de dados: MovieLens (12 mil filmes, 70 mil usuários, 10 milhões de avaliações) http://github.com/barbolo/Movie-Recommender

×