Sistema de Recomendação de Lojas

622 visualizações

Publicada em

Como surgiu, o que é e como funciona o sistema de recomendação de lojas do aplicativo InMap.

Publicada em: Tecnologia
0 comentários
1 gostou
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
622
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
1
Comentários
0
Gostaram
1
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Sistema de Recomendação de Lojas

  1. 1. Sistema de Recomendação de Lojas em Aplicativos Móveis para Clientes de Shopping Centers Gustavo Carvalho Orientador: Prof. Frederico Durão
  2. 2. Como surgiu: O app InMap ● Desenvolvedores de App ● Oportunidade de negócio: shopping com dificuldades + app =
  3. 3. InMap ● Mapa interativo do Salvador Shopping
  4. 4. Problemas ➔ Mais de 400 lojas; ➔ Informações apresentadas da mesma forma para diferentes usuários; ➔ Dificuldade em descobrir lojas novas;
  5. 5. Solução: Sistema de Recomendações Recomendar as lojas que sejam do interesse do usuário baseado no seu perfil, atividades no app e contexto.
  6. 6. Objetivo do Sistema de Recomendações Promover uma melhor experiência do usuário no Shopping
  7. 7. Como fazer boas recomendações 1. Conhecer e modelar o usuário 2. Conhecer e modelar as lojas 3. Calcular as melhores lojas para determinado usuário
  8. 8. Modelo de Usuário (o que é um usuário?) {SM, BR, LV, CV} ● SM: Social Media ● BR: Buscas Realizadas ● LV: Lojas Visitadas no APP ● CV: Categorias Visitadas no APP
  9. 9. Exemplo de Modelo de Usuário {SM, BR, LV, CV} ● SM: {futebol, nike, carro} ● BR: {tenis de corrida, pizza} ● LV: {Centauro, C&A, PizzaHut} ● CV: {Esportes, Alimentação}
  10. 10. Modelo de Loja (o que é uma loja?) {C, T} ● C: Categoria ● T: Tags
  11. 11. Exemplo de Modelo de Loja {C, T} ● C: Alimentação ● T: {pizza, massa, italiana}
  12. 12. O Modelo da Recomendação (versão atual) Para todo usuário u e loja s temos: rec(u, s) = w1*cat(CVu, Cs) + w2*sim(LVu, Ts) + w3*sim(SMu, Ts) + w4*sim(BRu, Ts) Onde: w1 + w2 + w3 + w4 = 1; 0 ≤ cat ≤ 1; 0 ≤ sim ≤ 1; Função “cat” a definir mas relaciona Categorias; Sim = cosine similarity [1] Logo: 0 ≤ rec(u, s) ≤ 1
  13. 13. Observações: ● Há um escore minimo para a loja ser recomendada; ● Há um número máximo de lojas a ser recomendada; ● Lojas já visitadas no app não serão recomendadas; ● Informações muito antigas são excluídas;
  14. 14. Proposta de Avaliação da Solução 1. Avaliar se as recomendações estão sendo geradas corretamente a. Avaliação Automática usando validação cruzada através de simulação [2] 2. Avaliar se há uma melhora na experiência do usuário a. Experimento com usuários
  15. 15. Conclusão Através da análise de dados de redes sociais e atividade no aplicativo fazemos recomendações de lojas do interesse do usuário, melhorando sua experiência no shopping.
  16. 16. Referências [1] Ricardo Baeza-Yates and Berthier Ribeiro-Neto. Modern Information Retrieval. Ad- dison Wesley, May 1999. [2] KOHAVI, R. A study of cross-validation and bootstrap for accuracy estimation and model selection. In: International joint Conference on artificial intelligence. [S.l.: s.n.], 1995. v. 14, p. 1137–1145.

×