Conceitos básicos de sistemas de recomendação, filtro colaborativo, filtro baseado em conteúdo, avaliação e recursos.

1. Introdução à
Sistemas de Recomendação

2. Meu nome é
Ralph Rassweiler
Vamos falar sobre sistemas de recomendação.
Olá!

3. Por que eu
deveria me
importar?

4. #1 Onipresença

6. #2 Lucro
http://www.moneysense.ca/invest/10-reasons-youre-not-rich/

7. http://www.intelliverse.com/blog/2015/10/06/the-power-of-personalized-product-
recommendations/
35%
Vendas a partir de recomendações

8. http://www.businessinsider.com/netflixs-recommendation-engine-drives-75-of-viewership-2012-4
75%
Visualizações a partir de recomendações

9. http://blog.hubspot.com/blog/tabid/6307/bid/30239/71-More-Likely-to-Purchase-Based-on-
Social-Media-Referrals-Infographic.aspx#sm.00008lj1ykg78f4yt7t1dfljglm83
71%
Compra provável se referenciado

10. https://www.statista.com/chart/1945/essential-devices/

11. http://www.marketingcharts.com/television/tv-ad-revenues-drop-12-
12613/attachment/yankeegroup-media-averages-apr-2010jpg/

12. http://blog.pmweb.com.br/a-internet-no-brasil-em-2015/#sthash.UQFJUsvE.lDTpFsd1.dpbs

13. Contextualização1

14. Contextualização
Sempre haverá usuários e itens

15. Contextualização
Sempre haverá usuários e itens …em um contexto

16. Contextualização
O usuário expressa suas preferências
implícita/explícita
Excelente
Muito Bom
Bom
Ruim
Péssimo

17. Contextualização
O sistema indica itens

18. “
Um Sistema de
Recomendação é um
software que antecipa
necessidades de usuários

19. Similaridades entre usuários
Filtragem
Colaborativa (FC)2

20. FC

21. FC - Entre usuários
4,5 ? ? 4,0 5,0
4,0 1,5 4,0 4,5 4,0

22. FC - Entre usuários
? ?

23. FC - Entre usuários
?

24. FC - Entre usuários

25. FC - Entre usuários
4,5 1,73 ? 4,0 5,0
4,0 1,5 4,0 4,5 4,0

26. FC - Entre usuários
4,5 1,73 4,21 4,0 5,0
4,0 1,5 4,0 4,5 4,0

27. FC - Entre usuários
#1
Calcular
similaridade
entre
usuários
#3
Recomendar
n itens com
as maiores
avaliações
#2
Prever as
avaliações

28. FC - Entre itens
Woody ?
Buzz
Yoda ? ?
Luke ? ?
Darth Vader ? ?

29. FC - Entre itens
Woody ?
Buzz
Yoda ? ?
Luke ? ?
Darth Vader ? ?

30. FC - Entre itens
Gostou? Então sugerimos estes

31. As
recomendações
não são óbvias.
O domínio de
negócio é
desnecessário.
Simples de
implementar!

32. FC - Entre itens
#1
Calcular
similaridade
entre itens
#3
Recomendar
n itens com
as maiores
avaliações
#2
Prever as
avaliações

33. Atributos dos itens
Filtragem baseada
em conteúdo (FBC)3

34. FBC
Gênero Comédia Ação Animação Horror Drama
Diretor P. Feig D. Yates C. Renaud D. Sandberg B. Furman
Escritor P. Feig A. Cozad C. Paul E. Heisserer E. Furman
Estúdio Sony Lionsgate Universal RatPac-Dune Broad Green
Classificação PG-13 PG-13 PG PG-13 R

35. FBC
? ?

36. FBC - Árvore de Decisão

37. Transparência.
Independência
de outros
usuários.
É possível
recomendar
novos itens.

38. FBC
#1
Modelar
perfil dos
usuários
#3
Contrastar
perfis,
recomendar
mais
parecidos
#2
Modelar
perfil dos
itens

39. Revisando
Recomendações inovadoras
Itens recomendados estão
associados ao conhecimento da
comunidade.
Simplicidade
O modelo colaborativo é
simples e fácil de implementar.
Domínio de negócio
Para o modelo colaborativo, é
desnecessário.
Transparência
É simples explicar o porquê de
recomendações no modelo
baseado em conteúdo.
Independência de usuários
O modelo baseado em
conteúdo dá foco aos atributos
dos itens.
Novo item
Novos itens podem ser
recomendados no modelo
baseado em conteúdo.

40. É muito fácil
construir um
Sistema de
Recomendação!

41. Desafios4

42. Desafios
? ?

43. Desafios
? ?

44. Desafios
? ?
? ? ? ? ?

45. Desafios
? ? ?
?
? ? ? ? ? ?

46. Cold-start!

47. Desafios
...
? ?
...

48. Varia conforme
o domínio, mas
é comum ficar
próximo a 99%!Esparsidade!

49. Desafios
Woody ?
Buzz
Yoda ?
Luke ?
Darth Vader ? ?

50. Desafios
Woody ?
Buzz
Yoda ?
Luke ?
Darth Vader ? ?

51. Ovelha-negra!

52. Desafios
Gênero Comédia Ação Animação Horror Drama
Diretor P. Feig D. Yates C. Renaud D. Sandberg B. Furman
Escritor P. Feig A. Cozad C. Paul E. Heisserer E. Furman
Estúdio Sony Lionsgate Universal RatPac-Dune Broad Green
Classificação PG-13 PG-13 PG PG-13 R

53. Análise de
conteúdo
limitada!

54. Desafios
Gênero Fantasia Fantasia Fantasia Fantasia
Diretor C. Columbus C. Columbus A. Cuarón M. Newell
Escritor Steve Kloves Steve Kloves Steve Kloves Steve Kloves
Estúdio Warner Warner Warner Warner
Classificação PG PG PG PG

55. Desafios
Gênero Fantasia Fantasia Fantasia Fantasia Fantasia
Diretor C. Columbus C. Columbus A. Cuarón M. Newell D. Yates
Escritor Steve Kloves Steve Kloves Steve Kloves Steve Kloves Goldenberg
Estúdio Warner Warner Warner Warner Warner
Classificação PG PG PG PG PG-13

56. Mais do
mesmo…
Super-
Especialização!

57. Desafios
Curti
estes
pratos!
2014 à 2016

58. Desafios
A partir de
hoje sou
vegetariano!
2017

59. O Buzz vai
continuar
recebendo
recomendações
de pratos com
carne por um
tempo!
Estabilidade em
detrimento de
plasticidade!

60. Revisando
Cold-Start
Novo item ou novo usuário não
recebem recomendações.
Esparsidade
Poucas avaliações disponíveis
dificultam predição acurada.
Análise limitada
Carência de atributos ou muitos
atributos inúteis não
representam a essência do item.
Super-especialização
O modelo FBC pode gerar
recomendações óbvias.
Ovelha negra
Alguns usuários tem
preferências muito particulares.
Estabilidade vs Plasticidade
Depois que o perfil do usuário
está estabelecido é difícil mudar.

62. Temperos5

63. Avaliação - Qualidade da
Predição
4,5 1,73 4,21 4,0 5,0
4,0 1,5 4,0 4,5 4,0

64. Avaliação - Qualidade da
Predição
4,5 2,0 2,5 4,0 5,0
4,0 1,5 4,0 4,5 4,0

65. O Netflix nunca
colocou em
produção o
vencedor do
prêmio.
http://www.wired.com/2012/04/netflix-prize-costs/

66. Avaliação - Qualidade do
ranking
#1 #2 #3 #4 #5

67. Especializações
Demográfico Ciente de Contexto Conhecimento

68. Afff… chega
né?
Muita coisa...

69. Finale6

70. O que faz um Sistema de
Recomendação ser bom?

71. O que faz um Sistema de
Recomendação ser bom?
Diverso

72. O que faz um Sistema de
Recomendação ser bom?
Surpreendente

73. O que faz um Sistema de
Recomendação ser bom?
Personalizado

74. Recursos
Coursera

75. Recursos

76. Recursos
2002 - Hybrid Recommender Systems Survey and Experiments
2002 - Incremental SVD-Based Algorithms for Highly Scalable Recommender Systems
2005 - Toward the Next Generation of Recommender Systems A Survey of the state-of-the-art and
possible extensions
2006 - Being Accurate is Not Enough
2007 - Content-Based Recommendation Systems
2009 - A Survey of Accuracy Evaluation Metrics of Recommendation Tasks
2011 - Collaborative Filtering Recommender Systems
2013 - Recommender Systems Survey

77. Alguma pergunta ?
Encontre-me em
◉ ralphrass@gmail.com
◉ http://www.slideshare.net/ralphrass/
introduo-sistemas-de-recomendao
Obrigado!

78. Créditos
◉ Template da apresentação de SlidesCarnival
◉ Imagens de http://pixar.wikia.com/