O documento discute sistemas de recomendação, começando com a motivação para seu uso e descrevendo os principais tipos: similaridade, filtragem colaborativa e análise de conteúdo. Ele fornece exemplos de como cada tipo funciona, incluindo um sistema híbrido de recomendação de filmes.

1. sistemas de recomendação
por rafael barbolo lopes

2. roteiro
2. Sistemas de 4. Filtragem
1. Motivação 3. Similaridade
recomendação colaborativa
6. Exemplo:
5. Análise de
recomendação
conteúdo
de filmes

3. roteiro
2. Sistemas de 4. Filtragem
1. Motivação recomendação
3. Similaridade
colaborativa
6. Exemplo:
5. Análise de
recomendação
conteúdo
de filmes

4. somos bombardeados de informações...

5. gastamos muito tempo escolhendo...

6. consequência
deixamos de explorar novas oportunidades!

7. empresas vendem menos serviços e produtos!
consequência

8. roteiro
2. Sistemas de 4. Filtragem
1. Motivação 3. Similaridade
recomendação colaborativa
6. Exemplo:
5. Análise de
recomendação
conteúdo
de filmes

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. 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. roteiro
2. Sistemas de 4. Filtragem
1. Motivação
recomendação 3. Similaridade colaborativa
6. Exemplo:
5. Análise de
recomendação
conteúdo
de filmes

12. A similaridade é uma heurística que
determina quão próximos itens são uns
dos outros. É a base de um sistema de
recomendações.

13. Pode-se pensar em similaridade como
distância entre itens. Quanto menos
distantes, mais similares.

14. roteiro
2. Sistemas de 4. Filtragem
1. Motivação 3. Similaridade
recomendação colaborativa
6. Exemplo:
5. Análise de
recomendação
conteúdo
de filmes

15. filtragem colaborativa
Diga-me com quem andas e direi quem és

16. filtragem colaborativa
• analisa interações de usuários com os itens
do sistema
• realiza recomendações com base em
usuários similares ou em itens similares

17. usuários similares
• identifica usuários que compartilham os
mesmos interesses (vizinhos)
• sugere para um usuário o que seus vizinhos
gostam

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. usuários similares
EXEMPLO
• Usuários: A, B, C e D
• Músicas candidatas a serem recomendadas:
xey
• Usuário que receberá recomendações: D

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¸˜o
Dados 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. itens similares
• Identifica itens similares
• sugere para um usuário um item similar a
outro que ele gostou

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. 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.
u
Dados 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
co
Cálculo 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. roteiro
2. Sistemas de 4. Filtragem
1. Motivação 3. Similaridade
recomendação colaborativa
6. Exemplo:
5. Análise de recomendação
conteúdo de filmes

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. 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. perfil de um jogador
(gráfico de radar)

28. jogadores

29. jogadores similares

30. roteiro
2. Sistemas de 4. Filtragem
1. Motivação 3. Similaridade
recomendação colaborativa
6. Exemplo:
5. Análise de
conteúdo recomendação
de filmes

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