Marcel Pinheiro Caraciolo discute sistemas de recomendação, incluindo como eles funcionam para personalizar a experiência de compra do usuário, como filtragem colaborativa, de conteúdo e híbrida, e como as recomendações são avaliadas e apresentadas aos usuários.
Sistemas recomendacao para Marketing e PropagandaMarcel Caraciolo
Palestra ministrada no Curso de Publicidade e Propaganda da Universidade Federal de Pernambuco sobre Sistemas de Recomendação: Uma abordagem geral para Publicidade e Propaganda na disciplina de Oportunidades e Negócios em 23.05.2011.
Apresentação realizada em 27 de fevereiro de 2015, no município de São Carlos/SP, como requisito parcial para obtenção do título de "Mestre em Ciência da Computação" concedido pela Universidade Federal de São Carlos (UFSCar).
Sistemas recomendacao para Marketing e PropagandaMarcel Caraciolo
Palestra ministrada no Curso de Publicidade e Propaganda da Universidade Federal de Pernambuco sobre Sistemas de Recomendação: Uma abordagem geral para Publicidade e Propaganda na disciplina de Oportunidades e Negócios em 23.05.2011.
Apresentação realizada em 27 de fevereiro de 2015, no município de São Carlos/SP, como requisito parcial para obtenção do título de "Mestre em Ciência da Computação" concedido pela Universidade Federal de São Carlos (UFSCar).
Sistema de recomendação para bibliotecas universitárias - KREBS, Luciana Mont...Luciana Monteiro
Trabalho de Conclusão de Curso de graduação, apresentado como requisito para obtenção do grau de bacharel em Biblioteconomia pelo Departamento de Ciências da Informação da Universidade Federal do Rio Grande do Sul.
Porto Alegre, 03 de julho de 2013.
Luciana Monteiro Krebs
Orientador: Prof. Dr. Rafael Port da Rocha (UFRGS)
Coorientadora: Profª. Dra. Maria Cristina de Carvalho Alves Ribeiro (UP)
Relatório em PDF: http://tinyurl.com/mf6agk
Apresentação de comparação de eficiência de chamadas de sistema de linguagens de programação utilizando uma plataforma de benchmarking escrita em DTrace feita para a disciplina de Sistemas Operacionais da Escola Politécnica da USP.
Sistemas de Recomendação: o que é, quais são os tipos. Exemplos da Indústria. Algoritmos de Filtro Baseado em Conteúdo, Filtro Colaborativo, métodos de avaliação. Problemas de Pesquisa
Apresentação realizada na SECOMP (Semana de Computação) 2011 da Universidade Federal de Sergipe. Breve introdução sobre os conceitos de Sistema de Recomendação com foco nas maiores empresas que utilizam na web.
Minicurso de 3 dias sobre um pouco da teoria em sistemas de recomendação e uso do framework mahout no desenvolvimento dos mesmos.
Esse minicurso faz parte de um dos trabalhos realizados no projeto de cooperação em sistemas inteligentes em nuvem entre o Instituto Nokia de Tecnologia(INdT) e o Instituto de Computação(IComp) da Universidade Federal do Amazonas(UFAM).
Minicurso de 3 dias sobre um pouco da teoria em sistemas de recomendação e uso do framework mahout no desenvolvimento dos mesmos.
Esse minicurso faz parte de um dos trabalhos realizados no projeto de cooperação em sistemas inteligentes em nuvem entre o Instituto Nokia de Tecnologia(INdT) e o Instituto de Computação(IComp) da Universidade Federal do Amazonas(UFAM).
Conceitos e práticas em Sistemas de RecomendaçãoJoel Pinho Lucas
O crescente volume de informação digital gerado nos dias de hoje resultam em um leque cada vez maior de opções de conteúdo, gerando inúmeras demandas na personalização de conteúdo em sistemas de comércio eletrônico e também em outras áreas tais como turismo, entretenimento e educação. Dentro deste contexto, os Sistemas de Recomendação vêm se tornando uma peça chave na em diversos sistemas web e mobile. Esta palestra mostra uma visão geral sobre metodologias utilizadas nesses sistemas, sobretudo a filtragem colaborativa e a recomendação baseada em contexto. Apresenta-se um visão geral de alguns dos principais algoritmos e técnicas utilizadas em cada metodologia. Além disso, são mostrados exemplos práticos dos principais problemas enfrentados no desenvolvimento de sistemas de recomendação (i.e.: ovelha negra, first rater, sparsity, etc.) e também como os mesmos podem ser evitados ou amenizados.
Sistema de recomendação para bibliotecas universitárias - KREBS, Luciana Mont...Luciana Monteiro
Trabalho de Conclusão de Curso de graduação, apresentado como requisito para obtenção do grau de bacharel em Biblioteconomia pelo Departamento de Ciências da Informação da Universidade Federal do Rio Grande do Sul.
Porto Alegre, 03 de julho de 2013.
Luciana Monteiro Krebs
Orientador: Prof. Dr. Rafael Port da Rocha (UFRGS)
Coorientadora: Profª. Dra. Maria Cristina de Carvalho Alves Ribeiro (UP)
Relatório em PDF: http://tinyurl.com/mf6agk
Apresentação de comparação de eficiência de chamadas de sistema de linguagens de programação utilizando uma plataforma de benchmarking escrita em DTrace feita para a disciplina de Sistemas Operacionais da Escola Politécnica da USP.
Sistemas de Recomendação: o que é, quais são os tipos. Exemplos da Indústria. Algoritmos de Filtro Baseado em Conteúdo, Filtro Colaborativo, métodos de avaliação. Problemas de Pesquisa
Apresentação realizada na SECOMP (Semana de Computação) 2011 da Universidade Federal de Sergipe. Breve introdução sobre os conceitos de Sistema de Recomendação com foco nas maiores empresas que utilizam na web.
Minicurso de 3 dias sobre um pouco da teoria em sistemas de recomendação e uso do framework mahout no desenvolvimento dos mesmos.
Esse minicurso faz parte de um dos trabalhos realizados no projeto de cooperação em sistemas inteligentes em nuvem entre o Instituto Nokia de Tecnologia(INdT) e o Instituto de Computação(IComp) da Universidade Federal do Amazonas(UFAM).
Minicurso de 3 dias sobre um pouco da teoria em sistemas de recomendação e uso do framework mahout no desenvolvimento dos mesmos.
Esse minicurso faz parte de um dos trabalhos realizados no projeto de cooperação em sistemas inteligentes em nuvem entre o Instituto Nokia de Tecnologia(INdT) e o Instituto de Computação(IComp) da Universidade Federal do Amazonas(UFAM).
Conceitos e práticas em Sistemas de RecomendaçãoJoel Pinho Lucas
O crescente volume de informação digital gerado nos dias de hoje resultam em um leque cada vez maior de opções de conteúdo, gerando inúmeras demandas na personalização de conteúdo em sistemas de comércio eletrônico e também em outras áreas tais como turismo, entretenimento e educação. Dentro deste contexto, os Sistemas de Recomendação vêm se tornando uma peça chave na em diversos sistemas web e mobile. Esta palestra mostra uma visão geral sobre metodologias utilizadas nesses sistemas, sobretudo a filtragem colaborativa e a recomendação baseada em contexto. Apresenta-se um visão geral de alguns dos principais algoritmos e técnicas utilizadas em cada metodologia. Além disso, são mostrados exemplos práticos dos principais problemas enfrentados no desenvolvimento de sistemas de recomendação (i.e.: ovelha negra, first rater, sparsity, etc.) e também como os mesmos podem ser evitados ou amenizados.
[Jose Ahirton Lopes] Algoritmos de Recomendacao IIAhirton Lopes
Apresentação com o título "Motores de Recomendação - O que são? Onde vivem? Do que se alimentam?" feita no evento "Datafest 2018", maior evento de Data Science e Data Engineering do interior de São Paulo, organizado pelo GDG Campinas.
Projeto realizado em 2011 com o intuito de centralizar e interagir com os usuários de TV por assinatura, a maior dificuldade sempre foi a interação já que na época a TV não tinha como interagir com os usuários.
Com esse projeto a ideia area interagir através da internet para tomar ações na TV.
Oportunidades para usar inteligência artificial na jornada dos usuários de ecommerce. Caminhos via personalização, recomendação, busca, catálogo, fraude, logística e CX.
Workshop: Aprendendo a usar as Redes Sociais 2º DiaAndré de Moraes
Slides do Segundo Dia do Workshop "Aprendendo a Usar as Redes Sociais": V Semana de Comunicação PUC Goiás. Apoio da Comtec Goiás - Comunidade Tecnológica do Estado de Goiás.
Slides do Segundo Dia do Workshop "Aprendendo a Usar as Redes Sociais": V Semana de Comunicação PUC Goiás. Apoio da Comtec Goiás - Comunidade Tecnológica do Estado de Goiás. Data da apresentação: 26 de abril de 2011.
Apresentação no Painel "Workshop - Ferramentas de IA na Pesquisa em Administração", como atividade das divisões EPQ, ADI e ITE. XLVII EnANPAD em São Paulo-SP, 27 de setembro de 2023.
Proponente:
Luiz Pereira Pinheiro Junior - PPGA/UP
Painelistas:
Anatália Saraiva Martins Ramos - PPGA/UFRN
Marcelo Neves Goncalves - PPGA/Mackenzie
Edimara Mezzomo Luciano - PPGAd/PUCRS
Benchy: Lightweight framework for Performance Benchmarks Marcel Caraciolo
Benchy: Lightweight framework for Performance Benchmarks on Python Scripts.
Presented at XXVI Pernambuco Python User Group Meeting at Recife, Pernambuco, Brazil on 06.04.2013
Neste tutorial apresentei usando Python Básico conceitos de como construir um sistema de recomendação por filtragem colaborativa.
Mutirão PyCursos:
Vídeo em: https://plus.google.com/u/0/events/c3hqbk20omt3r5uoq13gpk82i9g
Novas Tendências para a Educação a Distância: Como reinventar a educação ?Marcel Caraciolo
Apresentação realizada durante a Conferência Talk a Bit em Junho/2012 e realizada durante o PET 2012 por Marcel Caraciolo.
Universidade Federal de Pernambuco, 2012
Aula sobre construção de webcrawlers utilizando expressões regulares e Python
Instrutor: Marcel Caraciolo
Mais informações sobre o restante do curso em:
http://www.pycursos.com/regex
2. Quem é Marcel ?
Marcel Pinheiro Caraciolo - @marcelcaraciolo
Sergipano, porém Recifense.
Mestrando em Ciência da Computação no CIN/UFPE na área de mineração de dados
Diretor de Pesquisa e Desenvolvimento na Orygens
Membro e Moderador da Celúla de Usuários Python de Pernambuco (PUG-PE)
Minhas áreas de interesse: Computação móvel e Computação inteligente
Meus blogs: http://www.mobideia.com (sobre Mobilidade desde 2006)
http://aimotion.blogspot.com (sobre I.A. desde 2009)
Jovem Aprendiz ainda nas artes pythonicas.... (desde 2007)
8. Intelligence from
Mining Data
User
User
User User
User
Um usuário influencia outros
por resenhas, notas, recomendações e blogs
Um usuário é influenciado por outros
por resenhas, notas, recomendações e blogs
9. aggregation information: lists
ratings
user-generated content
reviews
blogs recommendations
wikis Collective Intelligence voting
Your application bookmarking
Search
tag cloud tagging
saving
Natural Language Processing
Clustering and Harness external content
predictive models
10. WEB SITES
WEB APPLICATIONS
WEB SERVICES
3.0 SEMANTIC WEB
USERS
antes...
VI Encontro do PUG-PE
VI Encontro do PUG-PE
20. “A lot of times, people don’t know what
they want until you show it to them.”
Steve Jobs
“We are leaving the Information age, and
entering into the Recommendation age.”
Chris Anderson, from book Long Tail
21. Recomendações Sociais
Família/Amigos
Amigos/ Família
O Que eu
deveria ler ?
Ref: Flickr-BlueAlgae
“Eu acho que
você deveria ler
Ref: Flickr photostream: jefield estes livros.
22. Recomendações por Interação
Entrada: Avalie alguns livros
O Que eu
deveria ler ?
Saída:
“Livros que você
pode gostar
são …”
25. Netflix
- 2/3 dos filmes alugados vêm de recomendação
Google News
- 38% das notícias mais clicadas vêm de recomendação
Amazon
- 38% das vendas vêm de recomendação
Fonte: Celma & Lamere, ISMIR 2007
26. !"#$%"#&'"%(&$)")
Nós+,&-.$/).#&0#/"1.#$%234(".#
* estamos sobrecarregados de
informação
$/)#5(&6 7&.2.#"$4,#)$8
* 93((3&/.#&0#:&'3".;#5&&<.#
$/)#:-.34#2%$4<.#&/(3/"
Milhares de artigos e posts
* =/#>$/&3;#?#@A#+B#4,$//"(.;#
novos todos os dias
2,&-.$/).#&0#7%&6%$:.#
"$4,#)$8
* =/#C"1#D&%<;#."'"%$(#
Milhões de Músicas, Filmes e
2,&-.$/).#&0#$)#:"..$6".#
Livros
."/2#2&#-.#7"%#)$8
Milhares de Ofertas e
Promoções
27. O que pode ser recomendado ?
Contatos em Redes Sociais Artigos
Produtos Messagens de Propaganda
Cursos e-learning Livros
Tags Músicas
Futuras namoradas
Roupas Filmes
Restaurantes
Programas de Tv
Vídeos Papers
Opções de Investimento Profissionais
Módulos de código
29. O que os sistemas de recomendação
realmente fazem ?
1. Prediz o quanto você pode gostar de um certo
produto ou serviço
2. Sugere um lista de N items ordenada de acordo
com seu interese
3. Sugere uma lista de N usuários ordernada
para um produto/serviço
4. Explica a você o porque esses items foram
recomendados
5. Ajusta a predição e a recomendação baseado em
seu feedback e de outros.
30. Filtragem baseada por Conteúdo
Similar
Duro de O Vento Toy
Armagedon Items
Matar Levou Store
recomenda
gosta
Marcel Usuários
31. Problemas com filtragem por
conteúdo
1. Análise dos dados Restrita
- Items e usuários pouco detalhados. Pior em áudio ou imagens
2. Dados Especializados
- Uma pessoa que não tem experiência com Sushi não recebe o
melhor restaurante de Sushi da cidade
3. Efeito Portfólio
- Só porque eu vi 1 filme da Xuxa quando criança, tem que me
recomendar todos dela
32. Filtragem Colaborativa
O Vento Toy
Thor Armagedon Items
Levou Store
gosta
recomenda
Marcel Rafael Amanda Usuários
Similar
33. Problemas com filtragem colaborativa
1. Escabilidade
- Amazon com 5M usuários, 50K items, 1.4B avaliações
2. Dados esparsos
- Novos usuários e items que não tem histórico
3. Partida Fria
- Só avaliei apenas um único livro no Amazon!
4. Popularidade
- Todo mundo lê ‘Harry Potter’
5. Hacking
- A pessoa que lê ‘Harry Potter’ lê Kama Sutra
34. Filtragem Híbrida
Combinação de múltiplos métodos
Duro de O Vento Toy
Armagedon Items
Matar Levou Store
Ontologias
Dados
Símbolicos
Marcel Rafael Luciana Usuários
35. Como eles são
apresentados ?
Destaques Mais sobre este artista...
Alguem similar a você também gostou disso
O mais popular em seu grupo...
Já que você escutou esta, você pode querer esta...
Lançamentos Escute músicas de artistas similares.
Estes dois item vêm juntos..
36. Como eles são avaliados ?
Como sabemos se a recomendação é boa ?
Geralmente se divide-se em treinamento/teste (80/20)
Críterios utilizados:
- Erro de Predição: RMSE
- Curva ROC*, rank-utility, F-Measure
*http://code.google.com/p/pyplotmining/
38. Crab
A Python Framework for Building
Recommendation Engines
Marcel Caraciolo Ricardo Caspirro Bruno Melo
@marcelcaraciolo @ricardocaspirro @brunomelo
39. What is Crab ?
A python framework for building recommendation engines
A Scikit module for collaborative, content and hybrid filtering
Mahout Alternative for Python Developers :D
Open-Source under the BSD license
https://github.com/muricoca/crab
40. The current Crab
Collaborative Filtering algorithms
User-Based, Item-Based and Slope One
Evaluation of the Recommender Algorithms
Precision, Recall, F1-Score, RMSE
Precision-Recall Charts
41. Why migrate ?
Old Crab running only using Pure Python
Recommendations demand heavy maths calculations and lots of processing
Compatible with Numpy and Scipy libraries
High Standard and popular scientific libraries optimized for scientific calculations in Python
Scikits projects are amazing!
Active Communities, Scientific Conferences and updated projects (e.g. scikit-learn)
Turn the Crab framework visible for the community
Join the scientific researchers and machine learning developers around the Globe coding with
Python to help us in this project
Be Fast and Furious
42. How are we working ?
Sprints, Online Discussions and Issues
https://github.com/muricoca/crab/wiki/UpcomingEvents
43. Future Releases
Planned Release 0.1
Collaborative Filtering Algorithms working, sample datasets to load and test
Planned Release 0.11
Evaluation of Recommendation Algorithms and Database Models support
Planned Release 0.12
Recommendation as Services with REST APIs
....
44. Join us!
1. Read our Wiki Page
https://github.com/muricoca/crab/wiki/Developer-Resources
2. Check out our current sprints and open issues
https://github.com/muricoca/crab/issues
3. Forks, Pull Requests mandatory
4. Join us at irc.freenode.net #muricoca or at our
discussion list in work :(
49. Items Recomendados
Toby Segaran, Programming Collective SatnamAlag, Collective Intelligence in
Intelligence, O'Reilly, 2007 Action, Manning Publications, 2009
Sites como TechCrunch e ReadWriteWeb
50. Conferências Recomendadas
- ACM RecSys.
–ICWSM: Weblogand Social Media
–WebKDD: Web Knowledge Discovery and Data Mining
–WWW: The original WWW conference
–SIGIR: Information Retrieval
–ACM KDD: Knowledge Discovery and Data Mining
–ICML: Machine Learning