Baixado 53 vezes
Sistemas de Recomendação
- 1. Sistemas de Recomendação Uma abordagem geral Gabriel Benz gabriel.benz@giran.com.br gabrielbenz.com @glbenz Friday, October 1, 2010
- 2.
- 3.
- 4. estamos sobrecarregados de informações Friday, October 1, 2010
- 5. muitas vezes inúteis Friday,October 1, 2010
- 6. às vezes procuramos isso... Friday, October 1, 2010
- 7. e encontramos isso! Friday,October 1, 2010
- 8.
- 9.
- 10. google? midias sociais? Friday, October 1, 2010
- 11. eeeeuuuu... google? midias sociais? Friday, October 1, 2010
- 12. Sistemas de Recomendação Friday,October 1, 2010
- 13.
- 14. histórico de usodo sistema + histórico de usuários parecidos Friday, October 1, 2010
- 15. Inteligência Coletiva! históricode uso do sistema + histórico de usuários parecidos Friday, October 1, 2010
- 16. • Filtragem Colaborativa • Filtragem Baseada em Conteúdo • Sistemas Híbridos Friday, October 1, 2010
- 17. usuário-a-usuário • Filtragem Colaborativa • Filtragem Baseada em Conteúdo • Sistemas Híbridos Friday, October 1, 2010
- 18. usuário-a-usuário • Filtragem Colaborativa item-a-item • Filtragem Baseada em Conteúdo • Sistemas Híbridos Friday, October 1, 2010
- 19.
- 20. FC: Usuário-a-usuário Muitas pessoas gostaram de um produto X. Friday, October 1, 2010
- 21. FC: Usuário-a-usuário Muitas pessoas gostaram de um produto X. Selecionar usuários que tem gosto parecido. Friday, October 1, 2010
- 22. FC: Usuário-a-usuário Muitas pessoas gostaram de um produto X. Selecionar usuários que tem gosto parecido. Você deve gostar do produto X pois pessoas com gosto parecido com o seu gostaram. Friday, October 1, 2010
- 23.
- 24. FC: Item-a-item Gostei do produto Z. Friday, October 1, 2010
- 25. FC: Item-a-item Gostei do produto Z. Selecionar produtos similares ao produto Z. Friday, October 1, 2010
- 26. FC: Item-a-item Gostei do produto Z. Selecionar produtos similares ao produto Z. Você deve gostar do produto Y pois ele é similar a um produto que você gostou. Friday, October 1, 2010
- 27. Problemas: Cold Start Gray sheep Early rater Friday, October 1, 2010
- 28. Baseada em Conteúdo: Friday,October 1, 2010
- 29. Baseada em Conteúdo: Produtos similares aos comprados pelo usuário Friday, October 1, 2010
- 30. Baseada em Conteúdo: Produtos similares aos comprados pelo usuário Classes compatíveis Friday, October 1, 2010
- 31. Baseada em Conteúdo: Produtos similares aos comprados pelo usuário Filmes do mesmo gênero Classes compatíveis Vinho da mesma uva Friday, October 1, 2010
- 32. Baseada em Conteúdo: Produtos similares aos comprados pelo usuário Filmes do mesmo gênero Classes compatíveis Vinho da mesma uva Filtragem baseia-se na análise do conteúdo do item e no perfil do usuário Friday, October 1, 2010
- 33. Problemas: Cold Start Super-especialização Qualidade do histórico Friday, October 1, 2010
- 34.
- 35. Sistemas Híbridos: combinam as duas técnicas Friday, October 1, 2010
- 36. Sistemas Híbridos: combinam as duas técnicas FC: experiência de outros usuários Friday, October 1, 2010
- 37. Sistemas Híbridos: combinam as duas técnicas FC: experiência de outros usuários BC: itens não vistos por outros usuários Friday, October 1, 2010
- 38. Sistemas Híbridos: combinam as duas técnicas FC: experiência de outros usuários BC: itens não vistos por outros usuários É possível recomendar bons itens a um usuário mesmo que não haja usuários semelhantes a ele. Friday, October 1, 2010
- 39.
- 40. o segredo é... Friday,October 1, 2010
- 41. o segredo é...42 Friday, October 1, 2010
- 42. o segredo é...42 Friday, October 1, 2010
- 43. o segredo é...42 FINE TUNNING! Friday, October 1, 2010
- 44. Amazon: ~ 25% das vendas! Netflix: ~ 60% dos videos! Google News: ~ 35% de clicks! Friday, October 1, 2010
- 45.
- 46. Relevância temporal O que recomendar? Quando recomendar? Friday, October 1, 2010
- 47. Transparência Melhoraro sistema com os feedbacks obtidos Friday, October 1, 2010
- 48.
- 49. Referências http://www.tuilux.com.br/blog/tag/sistemas-de-recomendacao/ http://www.ime.usp.br/~cef/mac499-07/monografias/rec/allan-renato-sidney-victor/ http://kessia.blogs.unipar.br/files/2008/07/sistemas-de-recomendacao.pdf http://www.slideshare.net/mdeiters/you-might-also-like-implementing-user-recommendations-in-rails http://www.slideshare.net/T212/recommender-systems-1311490 Friday, October 1, 2010
- 50. Sistemas de Recomendação Uma abordagem geral Gabriel Benz gabriel.benz@giran.com.br gabrielbenz.com @glbenz Friday, October 1, 2010