Palestra apresentada em 29/09/2010 - Giran Siege.

1. Sistemas de
Recomendação Uma abordagem geral
Gabriel Benz
gabriel.benz@giran.com.br
gabrielbenz.com
@glbenz
Friday, October 1, 2010

2. antes...
Friday, October 1, 2010

3. atualmente...
Friday, October 1, 2010

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. Friday, October 1, 2010

9. google?
Friday, October 1, 2010

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. Friday, October 1, 2010

14. histórico de uso do sistema
+
histórico de usuários parecidos
Friday, October 1, 2010

15. Inteligência Coletiva!
histórico de 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. FC: Usuário-a-usuário
Friday, October 1, 2010

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. FC: Item-a-item
Friday, October 1, 2010

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. Sistemas Híbridos:
Friday, October 1, 2010

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. Friday, October 1, 2010

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. Desafios
Friday, October 1, 2010

46. Relevância temporal
O que recomendar?
Quando recomendar?
Friday, October 1, 2010

47. Transparência
Melhorar o sistema com
os feedbacks obtidos
Friday, October 1, 2010

48. Dúvidas?
Friday, October 1, 2010

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