Baixar para ler offline
Carregado porArthur Fortes
Recomendação Baseada em Múltiplas Interações
- O documento propõe um framework para recomendação de conteúdo baseado em múltiplas interações do usuário (explícitas e implícitas). O framework combina quatro técnicas: baseadas em heurísticas, aprendizado e grupos. - Experimentos em duas bases de dados mostraram que o framework fornece resultados melhores do que técnicas tradicionais, com publicações em conferências. Contribuições futuras incluem novas métricas e uso de contexto dos itens.
Recomendação Baseada em Múltiplas Interações
- 1. Recomendação de Conteúdo Baseadaem Interações Multimodais ORIENTADOR: PROFESSOR DR. MARCELO G. MANZATO ARTHUR FORTES DA COSTA
- 2. Sumário • Introdução • ReferencialTeórico • Proposta • Experimentos e Resultados • Considerações Finais • Contribuições • Trabalhos Futuros RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP
- 3. Introdução • A informaçãoestá disponível de maneira rápida, barata e disseminada • Sistemas de Recomendação oferecem recomendações personalizadas baseada no perfil do usuário • Os mecanismos de recomendação tradicionais utilizam: • Interações Implícitas • Interações Explícitas RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 3
- 4. Introdução Motivação: problemas etendências relacionadas com as interações dos usuários • Tendência da Web de permitir múltiplas interações dos usuários • Os trabalhos presentes na literatura se restringem a um número limitado de interações • Exemplo: SVD ++ (Notas e histórico de visualização) RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 4
- 5. Introdução Objetivo: desenvolvimento deum framework de recomendação baseado em interações multimodais • Fornecer recomendações mais precisas • Combinar diversos tipos de interações (pré processadas) • Manter a escalabilidade do sistema Figura 1. Interações de usuários RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 5
- 6. Referencial Teórico Interações Multimodais *Teve diversas extensões, como o gSVD++, proposto por Manzato (2013). RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 6 Autor(es) Ano Trabalho Koren 2009 SVD++ (Notas e Histórico de visualização) * Rendle et al. 2012 Factorization Machines – FM (Combina informações de usuários e itens) Domingues et al. 2013 SR para o Last.fm (Histórico de visualização e etiquetas)
- 7. Referencial Teórico Combinação (Ensemble) RECOMENDAÇÃODE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 7 Autor(es) Ano Trabalho Jahrer et. al. 2010 Conjunto de técnicas de ensemble aplicadas à SR Bar et al. 2013 Combinação de ranques (aprendizagem linear) Petar el al. 2014 Combinação de ranques gerados por diversos recomendadores
- 8. Referencial Teórico Recomendadores Unimodais •Utilizamum único ou um simples conjunto de tipos de interação para gerar recomendação: • Predição de Notas • Recomendação de itens • Recomendadores Unimodais utilizados no framework: • BPR MF (Bayesian Personalized Ranking) > Recomendação de itens • SVD ++ (Singular Value Decomposition) > Predição de Notas RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 8
- 9. Referencial Teórico • BPRMF • Consiste em fornecer classificação personalizada de itens para um usuário • Apenas com interação implícita • Considera itens positivos e negativos Figura 2. Representação do algoritmo BPR MF. RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 9
- 10. Referencial Teórico • Aprendizadono BPR Algoritmo 1. Algoritmo de aprendizado do BPR. RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 10
- 11. Referencial Teórico • SVD++ • Utiliza tanto interação explícita, quanto a interação implícita do usuário • Considera notas atribuídas por usuários e simula histórico de visualização RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 11 Onde N(u) é o conjunto de interações implícitas
- 12. Proposta • Desenvolvimento deum framework capaz de gerar recomendações com base nas interações multimodais do usuário (Explícitas e Implícitas) • Composto por 4 técnicas de combinação: • Baseadas em Heurísticas (Etiquetas e Médias) • Baseada em Aprendizado • Baseada em Grupos • Módulos de validação e avaliação: • Protocolo All-but-one • Prec@N e MAP@N RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 12
- 13. Proposta RECOMENDAÇÃO DE CONTEÚDOBASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 13 Figura 3. Representação do Framework. Exemplo de saída : Usuário Item Score 1 5 3.3242 Recomendadores
- 14. Proposta • Técnica Baseadaem Etiquetas • Pondera quantidade de vezes que o item é retornado no ranques • Atribui maior peso à interação do ranque de etiquetas • Etiquetas demanda um maior esforço por parte do usuário RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 14
- 15. Proposta RECOMENDAÇÃO DE CONTEÚDOBASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 15 Figura 4. Ilustração da execução da técnica baseada em etiquetas. • Técnica Baseada em Etiquetas
- 16. Proposta • Técnica Baseadaem Médias • Combina os resultados dependente da media de escores de cada interação • Generalização para qualquer tipo de interação RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 16
- 17. Proposta RECOMENDAÇÃO DE CONTEÚDOBASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 17 Algoritmo 2. Algoritmo da técnica baseada em médias.
- 18. Proposta RECOMENDAÇÃO DE CONTEÚDOBASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 18 Algoritmo 2. Algoritmo da técnica baseada em médias.
- 19. Proposta RECOMENDAÇÃO DE CONTEÚDOBASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 19 Algoritmo 2. Algoritmo da técnica baseada em médias.
- 20. Proposta • Técnica Baseadaem Aprendizado • Técnica na qual os parâmetros são aprendidos com base no comportamento de cada usuário • Extensão do algoritmo de aprendizado do BPR RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 20
- 21. Proposta • Técnica Baseadaem Aprendizado RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 21 Figura 5. Representação da Técnica Baseada em Aprendizado. Recomendadores
- 22. Proposta • Técnica Baseadaem Grupos • Etapa de pré-processamento para combinar usuários em grupos de acordo com suas similaridades • Recomendação feita somente com os itens avaliados por cada grupo • Utiliza técnicas de agrupamento de dados e cálculos de distâncias RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 22
- 23. Proposta • Técnica Baseadaem Grupos RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 23 Figura 6. Representação da Técnica Baseada em Grupos.
- 24. Experimentos e Resultados •Realização de dois estudos em duas bases diferentes • Aplicação em em bases de dados real • Verificar eficácia do framework • Métricas de Avaliação: Map@N e Prec@N • Com validação cruzada em 10 folds • Protocolo All-but-one • Biblioteca de recomendação: MyMediaLite 3.10 RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 24
- 25. Experimentos e Resultados •Estudo 1: HetRec Last FM 2k 92.834 interações no histórico/ 186.479 etiquetas atribuídas/ 1.892 usuários/ 17.632 artistas RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 25 Figura 7. Representação da base considerando todas as interações.
- 26. Experimentos and Resultados Figura8. Gráfico MAP@N Para o Estudo 1. RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 26
- 27. Experimentos and Resultados Figura9. Gráfico Prec@N Para o Estudo 1. RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 27
- 28. Experimentos e Resultados •Estudo 2: HetRec Movielens 2k 800.000 interações de notas/ 10.000 etiquetas atribuídas/ 2.113 usuários/ 10.197 filmes RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 28 Figura 10. Representação da base considerando todas as interações.
- 29. Experimentos and Resultados Figura11. Gráfico MAP@N Para o Estudo 2. RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 29
- 30. Experimentos and Resultados Figura12. Gráfico Prec@N Para o Estudo 2. RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 30
- 31. Considerações Finais • Melhoresresultados que os baselines • Framework extensível e aplicavél em diversos domínios • Resultados com valores baixos devido ao uso do Protocolo All-but-one 31RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP
- 32. Contribuições • Um frameworkde recomendação baseado em interações multimodais • Módulo de divisão de base • Módulo de recomendação (4 técnicas) • Módulo de validação e avaliação • Integração mais rápida de novos usuários na comunidade • Avanço no estado da arte de sistemas de recomendação • Publicação dos resultados em conferências 32RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP
- 33. Contribuições • Fortes, C.A.; Manzato, Marcelo G; Domingues, Marcos A.; Rezende, Solange O. Improving Personalized Ranking in Recommender Systems with Multimodal Interactions. Web Intelligence (WI) and Intelligent Agent Technologies (IAT), 2014 IEEE/WIC/ACM International Joint Conferences on, v. 1, p. 198-204, 2014. Qualis A2 • Fortes, C. A.; Manzato, Marcelo G. Multimodal Interactions in Recommender Systems: An Ensembling Approach. In: Brazilian Conference on Intelligent Systems, 2014, São Carlos, São Paulo. Brazilian Conference on Intelligent Systems (BRACIS 14). Los Alamitos: IEEE, 2014. Qualis B1 • Fortes, C. A.; Manzato, Marcelo G. Ensemble Learning in Recommender Systems: Combining Multiple User Interactions for Ranking Personalization. In: XX Simpósio Brasileiro de Sistemas Multimídia e Web (Webmedia), 2014, João Pessoa - PB. Anais do XX Simpósio Brasileiro de Sistemas Multimídia e Web. New York: ACM, 2014. Qualis B3 33RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP
- 34. Trabalhos Futuros • Artigo:Group-based Collaborative Filtering with Multiple Users' Interactions • Integração das abordagens baseada em grupos e em aprendizagem, afim de considerar todos os tipos de interações individualmente • Desenvolver e aprimorar técnicas utilizando abordagens de agrupamento de dados • Uso de informações de contexto dos itens para gerar recomendações ainda mais precisas • Desenvolver novas métricas de avaliação para SR utilizando a semântica dos dados 34RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP
- 35. Recomendação de Conteúdo Baseadaem Interações Multimodais ORIENTADOR: PROFESSOR DR. MARCELO G. MANZATO ARTHUR FORTES DA COSTA
- 36. Referências Adomavicius; G.,Mobasher, B.; Ricci, F.; Tuzhilin, A. Context-aware recommender systems. AI Magazine, p. 67 - 80, 2011. Ricci, F.; Rokach, L.; Shapira, B. Introduction to recommender systems handbook. In: Recommender Systems Handbook, p. 1--35, 2011. Fortes, A.; Manzato, M. Ensemble learning in recommender systems: Combining multiple user interactions for ranking personalization. XX Simposio Brasileiro de Sistemas Multimdia e Web - Webmedia 2014, p. 47-54, 2014a. 36RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP
- 37. Apêndice A Desvio padrãoEstudo 1 RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 37
- 38. Apêndice B Desvio padrãoEstudo 2 RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 38
- 39. Apêndice C Links SlideShare:http://pt.slideshare.net/fortesarthur Github: https://github.com/ArthurFortes RECOMENDAÇÃO DE CONTEÚDO BASEADA EM INTERAÇÕES MULTIMODAIS - ICMC - USP 39
Notas do Editor
- #2 Good afternoon, my name is Arthur Fortes, student at University of Sao Paulo. I work with Professor Marcelo Manzato in recommender systems area. Today I will present our recent work called…
- #6 5 min
- #12 10 min
- #21 We propose a framework capable of generating recommendations based on multimodal user interactions (Positive and Negative) Our proposal consist in a post-processing step where we combine classifications generated by each of the previous unimodal algorithms I just explained. In this work we used: - Ratings, processed by MF - Tags, processed by Bpr mf bi pi air emhmmm efi - History View, processed by Bpr mf
- #22 We propose a framework capable of generating recommendations based on multimodal user interactions (Positive and Negative) Our proposal consist in a post-processing step where we combine classifications generated by each of the previous unimodal algorithms I just explained. In this work we used: - Ratings, processed by MF - Tags, processed by Bpr mf bi pi air emhmmm efi - History View, processed by Bpr mf
- #23 We propose a framework capable of generating recommendations based on multimodal user interactions (Positive and Negative) Our proposal consist in a post-processing step where we combine classifications generated by each of the previous unimodal algorithms I just explained. In this work we used: - Ratings, processed by MF - Tags, processed by Bpr mf bi pi air emhmmm efi - History View, processed by Bpr mf
- #24 30 min
- #31 Here are the map results. As it can be seen our proposal outperforms the baseline results.
- #32 MAP has a tendency for higher values as the number of returned items increases while Precision has the opposite effect MAP only considers the relevant items and their positions in the ranking In Precision the order of items is irrelevant, the more items are filtered to the user, the more false positives may also be returned Explicit feedback achieved the worst results using matrix factorization. Using the proposed ensemble algorithm, we achieved better results than the baselines
- #33 MAP has a tendency for higher values as the number of returned items increases while Precision has the opposite effect MAP only considers the relevant items and their positions in the ranking In Precision the order of items is irrelevant, the more items are filtered to the user, the more false positives may also be returned Explicit feedback achieved the worst results using matrix factorization. Using the proposed ensemble algorithm, we achieved better results than the baselines
- #34 MAP has a tendency for higher values as the number of returned items increases while Precision has the opposite effect MAP only considers the relevant items and their positions in the ranking In Precision the order of items is irrelevant, the more items are filtered to the user, the more false positives may also be returned Explicit feedback achieved the worst results using matrix factorization. Using the proposed ensemble algorithm, we achieved better results than the baselines
- #36 Good afternoon, my name is Arthur Fortes, student at University of Sao Paulo. I work with Professor Marcelo Manzato in recommender systems area. Today I will present our recent work called…