O documento apresenta uma palestra sobre sistemas de recomendação na web. A palestra discute o que são sistemas de recomendação, como eles funcionam, exemplos de sistemas de recomendação, e desafios e tendências na área.

1. Palestra
Sistemas de Recomendação
na Web
Lucas Augusto Carvalho
@lucasaugustomcc
Aracaju, 06 de outubro de 2011

2. Sobre mim
Graduado na UFS (2009)
Iniciação científica (Interação com Voz na TV Digital)
Mestrando em Inteligência Artificial (Sistema de Recomendação)
Sócio – Fundador do Alguns Trocados (Compra Coletiva)
● Interesses:
● Usabilidade, Aplicações Sociais, PHP, Python, Mineração de Dados,
Sistema de Recomendação, Marketing Digital.
● Onde me encontrar:
www.linkedin.com/in/lucasaugustomcc
www.slideshare.com/lucasaugustomcc
@lucasaugustomcc

3. Tomada de Decisão
● Como você escolheu essa palestra para
assistir?

4. Definição
“Utilizando a opinião de uma comunidade de
usuários para ajudar indivíduos naquela
comunidade a identificar mais efetivamente
conteúdos de interesse de um potencial
conjunto enorme de escolhas.”
Resnick & Varian (1997). Recommender Systems, Comunication of the ACM,
40(3).

5. Definição
“Qualquer sistema que produza
recomendações personalizadas como saída
ou tenha o efeito de guiar o usuário em uma
maneira personalizada para objetos
interessantes ou úteis em um grande espaço
de possibilidades.”
Burke R. (2002). Hybrid Recommender Systems: Survey and Experiments,
User Modeling & User Adapted Interaction, 12, pp. 331-370.

6. Tomada de Decisão
● Excesso de informação / opções
● Necessidade de conhecimento prévio
● Personalização

7. História
● Recomendação boca
a boca
● Filtragem
Colaborativa

8. O que pode ser recomendado?
profissionais
contatos em redes sociais
músicas
vagas de emprego
futuras namoradas
filmes
livros tags
comunidades
produtos
artigos
aplicativos
cursos
serviços
passeios turísticos
restaurantes
programas de TV
anúncios
links

9. Quem recomenda?

10. Exemplo

11. Exemplo

12. Exemplo

13. Exemplo

14. Exemplo

15. Funcionamento
● Perfil
● Avaliação
● Implícita (ex.: cliques e compras)
● Explícita (ex.: escala 1 a 5)
● Recomendação
● Atualização do perfil + histórico

16. Abordagens
● Colaborativo
● Agrega avaliação dos usuários e gera recomendações baseada na similaridade inter-
usuários.
● Baseado em conteúdo
● O perfil do usuário é contruído a partir das características dos itens avaliados pelo usuário.
Este perfil é utilizado para identificar novos itens interessantes para o usuário (combinando
com seu perfil)
● Demográfico
● Categoriza os usuários baseado em atributos pessoais (ex.: idade, localidade, sexo...) e gera
recomendações baseada em classes demográficas.
● Baseado em conhecimento
● Computa a utilidade de cada item para o usuário e suas necessidades.
● Híbrido
● Combina várias abordagens.

17. Funcionamento
● Recomendação Colaborativa
Filme A Filme B Filme C
???
??
Você Pessoa 1 Pessoa 2 Pessoa 3

18. Funcionamento
● Recomendação Colaborativa
Filme A Filme B Filme C
r
da
en
com
re
Você Pessoa 1 Pessoa 2 Pessoa 3
similar

19. Funcionamento
● Recomendação baseada em conteúdo
similar
Filme A Filme B Filme C
recomenda
gosta
Você

21. Exemplos

22. Exemplos

23. Exemplos

24. Exemplos

25. Exemplos

26. Exemplos

27. Exemplos

28. Exemplos
com explicação!

29. Exemplos

31. Exemplos

32. Exemplos

33. Exemplos

34. A Cauda Longa
“We are leaving the age of information and
entering the age of recommendation”
Cris Anderson (2004), editor Wired Magazine

35. Benefícios
● 60% das
visualizações da
Netflix são resultado
da recomendação
personalizada.
● 35% da venda de
produtos da Amazon
são resultados de
recomendações

36. Problemas
● Alguns dos problemas mais citados:
● Cold-start
● Baseado em conteúdo
– Novo Usuário
– Características do item
● Colaborativo
– Novo Item
– Esparcidade dos dados (Sparcity)

37. Estado da Arte
● Recomendação Sensível ao
Contexto
● Recomendação para Grupos
● Recomendação + Computação
Afetiva (emoção e
personalidade)

38. Bases para Teste
http://www.grouplens.org/node/73
http://code.richrelevance.com/reclab/

39. E no Brasil?

40. E no Brasil?

41. Concursos
US$ 1 milhão em premiação

42. Futuro
● +1 Google

43. Pesquisas
● recsys.acm.org

44. Recomendação de Itens
● Livros
Possuem capítulo dedicado a RecSys:
Toby Segaran, Programming Satnam Alag, Collective Haralambos Marmanis, Dmitry
Collective Intelligence, O'Reilly, Intelligence in Action, Manning Babenko. Algorithms of the
2007 Publications, 2009 Intelligent Web, Manning, 2009

45. Recomendação de Itens
● Livros
Francesco Ricci, Lior Rokach, Bracha Shapira,
Paul B. Kantor. Recommender Systems
Handbook. Springer, 2011.

46. Recomendação de Itens
● Palestra
Pessoas que assistiram esta palestra, também assistirão:
– Sistemas de Recomendação - Apresentando a
Inteligência Coletiva
● A palestra foca em apresentar sistemas de recomendação e sua
aplicabilidade em diversos nichos. Também sera apresentado o
framework Crab em desenvolvimento para construção de sistemas
de recomendação em Python. O mesmo já se encontra em
funcionamento em redes sociais como atepassar.com,
socialcats.com.br
– Sábado, 15:30 – 16:30h
– Palestrante: Marcel Caraciolo

47. Dúvidas?
“We are leaving the age of information and entering
the age of recommendation”.
Cris Anderson (2004), editor da Wired Magazine
Avalie esta palestra: