Sistemas de Recomendação
Mineração da Web
Equipe
Bruno Rodrigues
 Danilo Torres
 David Emmanuel
 Rodrigo Siqueira

Roteiro
 Motivação
 Coleta
de informações
 Estratégias
 Técnicas

Filtragem de Informação
 Arquitetura
 Exemplos
 Referências
Motivação
 Diversidade
O
de opções
usuário deseja customização
 Segmentação
 Fidelização
de mercado
Motivação
 Processo
de indicação já bastante
conhecido na relação social entre seres
humanos
 Re-edição
do tempo onde os vendedores
conheciam os clientes
 E-commerce
 Empresas
lucram com isso!!
Coleta de Informações
 Objetivo:


Conhecer o usuário
É necessário capturar e armazenar seus dados
pessoais e comportamentais
 Há
duas formas habituais de
identificação:

no Servidor e no Cliente
Coleta de Informações
 Identificação



Área de cadastro de informações pessoais
O usuário loga no sistema
Identificação com precisão
 Identificação



no Servidor
no Cliente
Utilização de cookies
Assume-se que o computador é utilizado por
uma única pessoa
Mais simples, porém menos confiável
Coleta de Informações
Coleta de Informações Explícita
Coleta de Informações Implícita
A
partir de dados da navegação, inferemse suas preferências
Estratégias de Recomendações
 Empresas
precisam lucrar!
 Boas estratégias garantem fidelidade de
clientes
 As estratégias são várias e de complexidade
variada:
Lista de recomendações
 Avaliação dos usuários
 Suas recomendações
 “Interessados por X se interessam por Y”
 Associação por conteúdo

Estratégia 1: Lista de Recomendação
Sem análises profundas
 Tipos populares ordenados

Estratégia 2: Avaliação dos usuários
 Bastante
 Útil
 Não
utilizada
para os potenciais consumidores
exige nenhum mecanismo de inteligência
na implementação
Estratégia 2: Avaliação dos usuários
Estratégia 2: Avaliação dos usuários
Estratégia 3: Suas recomendações
 Sugestões
feitas especificamente para o
usuário

implícitas ou explícitas
Estratégia 3: Suas recomendações
Estratégia 4: “Interessados em X se
interessam por Y”
 Associações

entre itens avaliados por usuários
comprados, lidos, ...
 Bastante
comum em sites e-commerce
 Estratégia
mais complexa que as outras
Estratégia 4: “Interessados em X se
interessam por Y”
Estratégia 5: Associação por conteúdo
 Baseado
É
no conteúdo de determinado item
necessário encontrar associações

ex: Os livros A e B são freqüentemente vendidos
juntos
 Diferentes
técnicas podem ser usadas para
esse tipo de estratégia
Estratégia 5: Associação por conteúdo
Recuperação de Informação (RI) X
Filtragem de Informação (FI)

RI





Envolve armazenamento, índices e tecnologia para
recuperação de documentos textuais
Mantém uma base com caracterísitica mais estática no
armazenamento de informações.
Início da interação provocada pelo usuário (query)
Baseia-se na percepção de uma necessidade de momento
FI




Mantém perfil dos interesses do usuário
Maior tempo de duração no casamento de interesses
Início da interação provocada pelo sistema
Não se refere ao momento, mas sim a preferências
Técnicas – Filtragem de Informações
Nome utilizado para descrever uma variedade de
processos que envolvem a entrega de informação
para as pessoas que realmente necessitam delas.
 Quase todo sistema de recomendação vê a
filtragem de informações ou seleção de um
produto como um problema de classificação.
 F(usuário, produto) | {gosta, não gosta}

Filtragem baseada em conteúdo
Baseada na análise de conteúdo dos itens e no perfil
do usuário
 Descrição de interesses do usuário é obtida através de
informações fornecidas por ele mesmo ou através de
ações como seleção e aquisição de itens
 Ferramentas utilizam






TF-IDF
Modelo Vetorial
Índices de Busca booleana
Filtragem probabilística
Interfaces de consulta com linguagem natural
Filtragem baseada em conteúdo
 Como


utilizar:
Solicita ao usuário uma análise de itens
indicando se cada um destes é de interesse ou não
Após a avaliação feita pelo usuário
o sistema busca itens que “casam” em conteúdo
com o que foi classificado como de interesse
 e desconsidera os que “casam” com o que foi
classificado como de não interesse

Filtragem baseada em conteúdo
 Problemas:

Conteúdo de dados pouco estruturado é difícil de
ser analisado



Entendimento do conteúdo do texto prejudicado
pelo uso de sinônimos
Super-especialização


vídeo, som
só serão recomendados itens já avaliados, não
explorando novas categorias de itens
Falta de surpresa na recomendação

produtos que não se relacionam com o perfil do usuário
jamais serão recomendados
Filtragem baseada em conteúdo
 Exemplos



filmes do mesmo gênero que o assistido
outros CD’s dos artistas já adquiridos
produtos complementares aos adquiridos

“DVD player” hometheater
Filtragem Colaborativa
 Desenvolvida
para atender pontos que
estavam em aberto na filtragem baseada em
conteúdo
 Diferencia-se da filtragem baseada em
conteúdo exatamente por não exigir a
compreensão ou reconhecimento do conteúdo
dos itens
 Baseado na troca de experiências entre as
pessoas que possuem interesses comuns
Filtragem Colaborativa
 Como


utilizar:
Itens filtrados baseados nas avaliações feitas
pelos usuários
Usuários dos sistemas colaborativos devem
pontuar cada item experimentado, indicando o
quanto este item casa com sua necessidade de
informação
Filtragem Colaborativa
 Problemas:
1º avaliador: novo item no BD nunca é
recomendado até que um usuário o avalie
 Pontuações esparsas: número de usuários
pequeno em relação ao volume de informações no
sistema
 Similaridade:


um usuário exótico terá dificuldades para
encontrar outros usuários com gostos similares,
sendo assim suas recomendações podem se tornar
pobres
Filtragem Colaborativa
 Detalhando

Calcular o peso de cada usuário em relação à
similaridade ao usuário ativo



o funcionamento
métrica de similaridade
Selecionar um subconjunto de usuários com
maiores similaridades (vizinhos) para
considerar na predição.
Normalizar as avaliações e computar as
predições ponderando as avaliações dos
vizinhos com seus pesos.
Filtragem Colaborativa - Exemplo
 Se
quisermos recomendar um produto ao
usuário Mauro, procuraremos outros
usuários com hábitos de consumos
semelhantes
Filtragem Híbrida
 Procura
combinar os pontos fortes da
filtragem colaborativa e da baseada em
conteúdo e ao mesmo tempo eliminar as
fraquezas de cada uma
Vantagens da Filtragem Híbrida
 Utilizando
recomendações colaborativas,
experiências de outros usuários são
levadas em consideração;
 Utilizando
recomendações baseadas em
conteúdo, é possível lidar com itens não
vistos por outros usuários;
É
possível recomendar bons itens a um
usuário mesmo que não haja usuários
semelhantes a ele.
Arquitetura
 Um
Sistema de Recomendação
funcionar como um servidor

deve
capaz de recuperar, para determinado usuário,
suas
preferências
explícitas,
implícitas,
conteúdo e ofertas relacionadas a itens nos
quais já mostrou interesse
 Deve
ficar em comunicação com o sistema
que irá apresentar as recomendações para
o usuário

Ex.: Servidor Web
Tipos de Arquitetura
 Basicamente
existem
arquitetura possíveis
dois
tipo
Baseado em técnicas de filtragem
informação
 Baseado em Mineração de Dados

de
de
Baseado em Técnicas de Filtragem de
Dados
Sistema de Apresentação
Banco de Estratégias
Módulo Central
Consulta dados pessoais
Consulta dados Transacionais
Baseado em Mineração de Dados
Armazena padrões
Módulo de
Mineração
Infere padrões
Demográficos e
Transacionais
Exemplo de Arquitetura
 Sistema



Recommender
Sistema de Recomendação
Permite que clientes e visitantes do website de
uma empresa possam receber, no momento
exato, recomendações de produtos e serviços
adequados aos seus interesses
Recomendações obtidas através de indicações
explícitas de preferência ou através da técnica
de filtragem colaborativa
Exemplo de Arquitetura
Exemplo de Arquitetura
 Recommender

Server
Utilizado
para
dar
SessionsControllers
e
recomendações
acesso
às
rotinas
aos
de
Exemplo de Arquitetura

Session Controller


Ao entrar no site, uma sessão é
iniciada para o usuário, onde
várias informações são
armazenadas sobre sua
interação
É carregado com todas as
informações coletadas no
passado sobre o usuário (itens
adquiridos, áreas de
preferência do site, etc.)
Exemplo de Arquitetura

StrategyList


Guarda vários modelos de recomendação, cada um
orientado a um tipo de recomendação específica
 Baseado em listas armazenadas pelo sistema (mais
vendidos, lista de presentes, etc)
 Baseado em preferências explícitas ou implícitas
Difetentes estratégias podem ser criadas e utilizadas em
paralelo em um mesmo website
Exemplo de Arquitetura

InterestList




Mantém as preferências explícitas e
implícitas do usuário
Coleta implícita: Na medida em que
o usuário navega, seleciona e adquiri
itens, suas preferências são
armazenadas na InterestList
Coleta Explícita: O usuário indica
espontaneamente suas preferências e
estas são armazenadas em outra
InterestList
Mais tarde, todas essas preferências
podem ser utilizadas
Exemplo de Arquitetura

FindingList



Complementam as informações que se tem sobre os
usuários
Utilizado para armazenar características demográficas
sobre eles (faixa etária, sexo, ocupação, ...) ou hábitos de
consumo (itens adquiridos ou colocados no carrinho de
compras)
É através desta “lista de achados” que se pode encontrar
recomendações precisas para o usuário
Implementando

Recomendação a partir dos itens comprados pelo
usuário:
Implementando
 Recomendação
de novidades:
Sistemas de recomendação exemplos

Referral Web

GroupLens
Referências
Wikipedia
 Reategui,Eliseo B. e Cazella, Sílvio C. Sistemas de
Recomendação
 Dot.dot.dot
