O documento discute sistemas de recomendação, abordando técnicas como collaborative filtering, content-based e cold start, e apresenta exemplos de como Amazon, Netflix e Spotify implementam esses algoritmos. São detalhados os benefícios das diferentes abordagens, suas taxas de conversão e a eficácia no engajamento do usuário. O uso de algoritmos híbridos e os desafios associados à personalização também são mencionados.

1. @renan_oliveira
SISTEMAS DE RECOMENDAÇÃO

2. CARA QUE
GOSTA DE
DADOS
@renan_oliveira

3. O QUE VOCÊ TÁ
PROCURANDO?

4. 5 2 2
? 3 4
5 3 ?
GOKU
SEIYA
SAITAMA
SIMILARIDADE ENTRE USUÁRIOS

5. 1.0 0.75 0.5
0.75 1.0 0.25
0.5 0.25 1.0
SIMILARIDADE ENTRE ITENS

6. COLLABORATIVE
FILTERING
CONTENT
BASED
COLD
START
FAMÍLIAS DE ALGORTIMOS

7. COLLABORATIVE FILTERING
➤ São personalizadas
➤ O que usuário parecidos comigo “fizeram” que eu não fiz
➤ Famoso pela sua alta taxa de conversão, altamente assertivo
➤ Tem uma atualização lenta pois é preciso conhecer o usuário
➤ Usado em e-commerces do mundo todo.
➤ Famoso pelo seu uso na amazon e na netflix
➤ ALS é o seu algoritmo mais famoso
➤ “Quem comprou essa pizza também comprou…”

8. TRUE TRUE TRUE
FALSE FALSE TRUE
TRUE ? TRUE
GOKU
SEIYA
SAITAMA
COLLABORATIVE FILTERING PARA USUÁRIO

10. SEIYA GOKU SAITAMA
SEIYA PIKACHU DRAGONITE
SEIYA PIKACHU ASH
COLLABORATIVE FILTERING PARA ITEM

11. CONTENT-BASED
➤ Coisas parecidas com essa. Com as mesmas palavras-chaves, do mesmo tipo, etc.
➤ Algoritmos de rápida atualização
➤ Baseada no contexto do item
➤ Facilita a busca por semelhantes
➤ Precisa conhecimento do item ou do usuário
➤ A extração de features é um passo importante, saber categorizar o item é um passo
fundamental
➤ MLT é o meu algoritmo mais famoso
➤ “Veja mais pizzarias”

12. CONTENT-BASED PARA ITEM
RESTAURANTE
ORIGINAL
PIZZA
PRIME
ATENDIMENTO
BELA VISTA
TRADICIONAL
KEYWORDS
PIZZA - 5
PRIME - 4
ATENDIMENTO - 2
BELA VISTA - 1
TRADICIONAL - 1
RELEVÂNCIA
PIZZA - 5
REGULAR - 3
ATENDIMENTO - 2
PIZZA - 3
MORUMBI - 2
ESFIRRA - 2
PIZZA - 5
PRIME - 3
ATENDIMENTO -2
OUTRAS
PIZZARIAS
RELEVÂNCIA
RECOMENDAÇÃO

13. CONTENT-BASED PARA USUÁRIO
CONSUMIDAS
PIZZA -3
FRETE GRATIS - 1
PIZZA - 2
MUSSARELA - 1
TOSCANA - 1
HAMBURGUER - 4
FRITAS - 2
REFRIGERANTE - 2
RELEVÂNCIA
PIZZA - 5
HAMBURGUER - 4
MUSSARELA - 4
TOSCANA - 1
FRITAS - 2
MUSSARELA - 3
REFRIGERANTE - 2
HISTÓRICO
PIZZA
MUSSARELA
SUCO
SALADA
REFRIGERATE
SUCO
PIZZA
HAMBURGUER
REFRIGERANTE
KEYWORDS OUTROSRECOMENDAÇÃO

14. COLD START
➤ Baseado em regras
➤ Quando não sabem nada sobre usuário ou item
➤ Tempo de atualização rápido
➤ Não são personalizados mas devem ser segmentados
➤ Técnicas de reinforcement tem sido usados para otimizar
➤ Usa a experiência no produto: mais vistos, mais comprados, últimas compras, etc
➤ “Pizzarias mais famosas”

15. ENSEMBLE
➤ Usar mais de um algoritmo
➤ Cria um blend para cada serviço
➤ Pode ser por peso, cascade, temporal ou por votação
➤ Difícil saber o impacto de cada algoritmo
➤ Usa uma abordagem híbrida entre CF, CB e CS
➤ “Pizzarias que você deveria conhecer similar a essa”

16. AVALIAÇÃO DOS ALGORITMOS
CTRINDO ALÉM
ENGAGEMENT
DIVERSITY
COVERAGE
FRESHNESS
SERENDIPITY

17. 150 MILHÕES DE USUÁRIOS
10000 TÍTULOS
190 PAÍSES
80% IMPACTADOS COM REC

18. NETFLIX
➤ Netlix Prize em 2009 (ainda entregava DVD)
➤ Precursor do mundo de Big Data e Recomendação
➤ Evangelista do uso de recomendação
➤ Recomenda vídeos, trilhos, focado no tempo de início do vídeo
➤ Tem como objetivo de produto ser 100% personalizado

21. 217 MILHÕES DE USUÁRIOS
40 MILHÕES DE FAIXAS
50 PAÍSES
1.7 BI DE EXECUÇÕES DO DM

22. SPOTIFY
➤ Playlists personalizadas
➤ Patrocinou um desafio na última ACM RecSys
➤ Playlists usando CF e CB
➤ O seu sistema BART (multi-armed bandit) tem se mostrado muito eficiente

24. 300 MILHÕES DE USUÁRIOS
120 MILHÕES DE PRODUTOS
18 PAÍSES
35% DAS COMPRAS VEM DE REC

25. AMAZON
➤ Um produto baseado em recomendação
➤ 20 anos usando recomendação
➤ Revolucionou o mundo do e-commerce graças a recomendação usando CF
➤ Não abrem muitos dados sobre os seus algoritmos
➤ Usando MAB e MVT tiveram uplift de mais de 20% em conversão

27. 100 MILHÕES DE USUÁRIOS
100 MIL CONTEÚDOS POR MÊS
1 PAÍS
X% USUÁRIOS IMPACTADOS

28. GLOBO.COM
➤ Começou a usar em 2012
➤ Mais de 80 algoritmos
➤ Usa abordagem de ensemble por peso
➤ Todas recomendações são um teste A/B
➤ Lift de mais de 120% para controle em testes contra listagem por regras
➤ Presente em todas matérias e vídeos
➤ 200 mil recomendações por minuto