1) O documento propõe um modelo adaptativo para contextos em sistemas de recomendação de locais para o site Apontador. 2) O modelo permite a criação de múltiplos contextos para cada usuário à medida que ele visita novos locais, melhorando a qualidade das recomendações. 3) O modelo avalia se um novo local deve ser adicionado a um contexto existente ou criar um novo contexto com base em distância geográfica em relação aos demais locais.

1. Proposta de Modelo Adaptativo para
o de Contextos na
o de Locais
Celso V. Crivelaro – LTA Poli USP
Fabrício J. Barth – Apontador
Ricardo L. A. Rocha – LTA Poli USP

2. Onde queremos chegar…
• Incrementar a qualidade de Sistemas de
Recomendação Contextuais de Locais com técnicas
Adaptativas
• Identificar múltiplos contextos dos usuário e poder
criá-los no momento da navegação do usuário
• Possibilitar o tratamento de múltiplos contextos ao
mesmo tempo
2

3. Por que queremos isso?
• Sistema de Recomendação para o site Apontador
(líder brasileiro em busca de locais)
3

4. Por que queremos isso?
• Percebeu-se que na recomendação de locais que os
usuários visitavam grupos de pontos concentrados;
– Ex.: Bairro da Vila Madalena em São Paulo ou o
grupo de cidades de Bauru, Arealva e Ibitinga em
São Paulo;
• Esse fator gerou uma necessidade de definir os
contextos dos usuários para incrementar as
recomendações, ou seja, o sistema se adaptar a
realidade do usuário.
4

5. Sistemas de Recomendação (SR)
• Permitem a recomendação de itens para o usuário a
partir do seu histórico de acesso aos itens;
• Os itens podem ser considerados produtos de
venda, locais, música ou mesmo outros usuários;
• Direciona os itens que o usuário pode se interessar.
Trabalha com uma ferramenta de divulgação dos
itens ao usuário.
5

6. Como são classificados os SR?
BASEADO EM CONTEÚDO FILTRAGEM COLABORATIVA
• São avaliados os conteúdos • Próximo da recomendação
dos itens boca a boca
• A recomendação é feita ela
comparação do item a ser • É recomendado itens ao
recomendado com os itens usuário de usuários com
que o usuário consumiu interesses parecidos
Baseados em Conhecimento
• A recomendação é feita a
partir de uma base de
conhecimento
• Ela pode ser gerada por
regras arbitrárias ou técnica
de data mining
6

7. E o tipo de SR usado vai ser …
BASEADO EM CONTEÚDO FILTRAGEM COLABORATIVA
• São avaliados os conteúdos • Próximo da recomendação
dos itens boca a boca
• A recomendação é feita ela
comparação do item a ser • É recomendado itens ao
recomendado com os itens usuário de usuários com
que o usuário consumiu interesses parecidos
Baseados em Conhecimento
• A recomendação é feita a
partir de uma base de
conhecimento
• Ela pode ser gerada por
regras arbitrárias ou técnica
de data mining
7

8. Filtragem Colaborativa
• Recomenda de acordo com os usuários mais
próximos ou os itens relacionados
• Técnica tradicional: kNN
• Média ponderada da avaliação entre os itens mais
próximos aos que usuário avaliou
8

9. Filtragem Colaborativa
• Recomenda de acordo com os usuários mais
próximos ou os itens relacionados
• Técnica tradicional: kNN
Avaliação
estimada do item Avalição do item i Similaridade entre os
k ao usuário u pelo usuário Itens i e k
9

10. Filtragem Colaborativa
• A medida de similaridade mais comum é a
Correlação de Pearson:
• Correlaciona os itens i e j pelas avaliações que os
usuários fizeram dos mesmos itens.
10

11. Mas o usuário está em um contexto…
• Para o caso do site Apontador para recomendação de
locais, é necessário definir o contexto do usuário:
– Contexto é definido como a região onde o usuário
frequenta ou tem interesse
– Ex: Bairro da Cidade Universitária e o bairro do
Itaim Bibi na cidade de São Paulo
• Com a recomendação colaborativa, é necessário
filtrar os locais de acordo com o contexto do usuário
11

12. Solução encontrada
• Ye[3] propõe que a probabilidade de o usuário visitar
um local é uma distribuição de potência da distância
entre o local com os locais que ele já visitou
sendo que P calcula a probabilidade de um usuário visitar os
dois locais apenas pela distância entre eles:
������( ������,������) = ������ × ������ ( , ) (6)
Ye [9] propõe que a probabilidade de um usuário visitar um
• Ideia:i Mais local jpróximo um lugar é dosprobabilidade na
local e um mais segue uma distribuição de lugares que
foram visitados, mais provável elebésão ser parâmetros da
forma de potência, sendo que a e de os visitado
distribuição. Os parâmetros a e b são calculados para cada
sistema usando método do Gradiente Descendente e conjunto
de dados é cada distância entre lugares i e j que um mesmo 12

13. Problema…
• Essa solução considera apenas um único contexto!
• Se o usuário vive na Vila Madalena em SP e tem
interesse em viajar por Foz do Iguaçu, terá uma
queda na qualidade das recomendações para ambas
as regiões
• É necessário criar contextos a medida que o usuário
visita os locais para isolá-los na recomendação
contextual.
13

14. zado a Nesse momento, o dispositivo adaptativo apenas faz as ações
área de de consulta em vez de executar alguma ação sobre o
amada Aqui entra Adaptatividade!
dispositivo subjacente, que apenas inclui o novo item na sua
lista, conforme apresentado na Figura 1 e Figura 2.
om um
ema; •
e Solução adaptativa paraLa criação de contextos
i in+1
núcleo
•
dos de Cada contexto pode ser considerado uma lista de
i1 i2 ... in
itens
alizado Figura 1 - Inserção de item na lista
i Ação adaptativa
de consulta
MA ⊂
i1 i2 ... in L1
i1 i2 ... in L2
e
. .
.
.
obre o i1 i2 in Ln
...
Figura 2 - Ação adaptativa de consulta
∥ ∥ 14
Se novo local i tiver mais do que locais distantes pelo

15. Adaptando os contextos…
• Se o SR contextual se modificasse a cada novo local
visitado pelo usuário?
Expandindo o contexto
(solução de Ye[3])
Novo Local
Isolando locais em outro Contexto
(solução adaptativa)
15

16. Criação de uma lista de uma nova regra que
Nesse momento, a ação adaptativa cria itens P
será o contexto ������ , fazendo a inserção do local i e dos re
outros locais, tal que ������( ������,������) < θ. R
• A partir de um critério de diferença de inclusão nas
Para a recomendação de um local com múltiplas listas, o
valor do algoritmo colaborativo multiplica-se pelo fator de
listas, gerar uma novo contexto um incluir em
contexto. Havendo múltiplos contextos, o resultado não será
Esse t
apenas uma lista TOP N de recomendações, mas sim n listas
alguma lista; para a re
de recomendações. Para o caso de um sistema que tiver apenas
de conte
uma lista Top N, é necessário que o contexto tenha apenas
• Critério para locais: Se em todas as listas, o local
mais importância para aquele local i:
contexto
A apl
que Θ ������������������ max ������(������ da
tiver distância maior do ������������������������������ ������������ =para mais,������) metade recomen
������������������������ ������������ ������
������ (8) recomen
dos outros itens da lista commerc
i Ação adaptativa de distintos
criação de Lista pessoas.
i1 i2 ... in L1
i1 i2 ... in L2 [1] Linde
.
recom
.
. Comp
i1 i2 in Ln [2] X. Su
...
Tech
[3] Adom
i i2 ... in L n+1 Reco
16 Exten
Figura 3 - Ação adaptativa de inclusão (2005

17. Inferindo sobre um contexto
• Com vários contextos, é mais fácil inferir qual o
usuário deve estar mais interessado
Incluindo em uma lista existente
17

18. Inferindo sobre um contexto
• Com vários contextos, é mais fácil inferir qual o
usuário deve estar mais interessado
Criando uma nova lista
18

19. Como avaliar essa proposta?
• Será usado um corpus (log de acesso) do site
Apontador de 6 meses;
• Esse corpus contém avaliações explícitas e implícitas
dos usuários sobre os locais
• Comparar a técnica proposta com recomendações
sem contexto e com contexto único proposto por
Ye[3]
19

20. I
A
VI. RESULTADOS ESPERADOS
Comoa avaliar essa proposta? no
Para avaliar melhoria da inclusão da técnica adaptativa
[10]
D
B
U
• Separação do corpus:
Sistema de Recomendação baseado em Contexto, este será N
comparado com o mesmo Sistema de Recomendação sem o [11] N
– 70% para Treinamento
contexto. C
– 15% para mais tradicional de medir a qualidade de um
A forma Cross-validation W
I
– 15 % para Testes
Sistema de Recomendação de acordo com [13], é pela acurácia [12] C
da predição. Uma das medidas que será usada é a Raiz do Erro T
–
• Algumas medidas a serem usadas: usada na avaliação do
Quadrático Médio (REQM), que foi
[13] H
prêmio oferecido pela Netflix [14]:
– Raiz do Erro Quadrático Médio c
I
1 [14] N
������������������������ = (������ , − ������ , ) (9) [15] R
������ S
∈ ������, ∈ ℐ
– Precisão
Em que n é o total de avaliações sobre todos os usuários,
– Recall avaliação inferida do item i ao usuário u, e ������ é a
������ é a
, ,
avaliação real.
Outras medidas usadas são mais conhecidas na área de 20

21. Próximos passos…
• Definir um método genérico de escolha de hipótese
para avaliar se a criação de um novo contexto (ação
adaptativa) é melhor do que inserir o local nos
contextos conhecidos
• Comparar com outras técnicas de recomendação
contextual
21

22. Celso Crivelaro – celsocrivelaro@gmail.com
Fabrício Barth – fabricio.barth@gmail.com
Ricardo Rocha – luis.rocha@poli.usp.br
OBRIGADO!
22

23. Referências
[1] Ricci, F., Rokach, L., and Shapira, B., editors (2010).
Recommender Systems Handbook. Springer
[2] NETO, J. J., Adaptive Rule-Driven Devices - General
Formulation and Case Study.
[3] M. Ye, P. Yin, W.-C. Lee, and D. L. Lee. Exploiting
Geographical Influence for Collaborative Point-of-
Interest Recommendation.
23