Algoritmos Colaborativos para
Sistemas de Recomendação
José Graciano Almeida Ramos
Orientador: Prof. Doutor Jaime S. Cardoso
Responsável no INESC - Porto: Mestre Ricardo Sousa
Mestrado Integrado em Engenharia Informática e Computação
MIEIC-FEUP
20 de Julho de 2010
1
Estrutura
•Objectivos
•Sistemas de Recomendação
•Estado da Arte
•Exemplos da Aplicação dos Sistemas de Recomendação
•Formulação dos Algoritmos Colaborativos
•Classificação dos Algoritmos Colaborativos
• Collaborative Filtering with Interlaced Generalized linear Models
•Filtragem Colaborativa baseada na Média das avaliações.
MIEIC-FEUP
2
Objectivos
MIEIC-FEUP
3
Sistemas de Recomendação
Mundo Actual
Acesso fácil a novas tecnologias de informação
Crescimento exponencial da
quantidade de dados a tratar
COMO
SELECIONAR/ENCONTRAR
INFORMAÇÃO?
Sorte
Maior esforço das partes
envolvidas no processo de
tomada de decisão
Pedir
recomendação de
um amigo
Sistemas de Recomendação
MIEIC-FEUP
4
Sistemas de Recomendação
•São utilizados pelas empresas para gerar recomendações de
novos produtos aos clientes.
•Apoia nos Algoritmos
recomendações.
Colaborativos
MIEIC-FEUP
para
gerar
5
Sistemas de Recomendação
MIEIC-FEUP
6
Estado da Arte
MIEIC-FEUP
7
Exemplos de Aplicação
MIEIC-FEUP
8
Formulação dos Sistemas de
Recomendação
U = conjunto de utilizadores
Y = conjunto de itens
MIEIC-FEUP
9
Classificação dos Algoritmos
Colaborativos
MIEIC-FEUP
10
Métodos Baseados em Pesquisa
MIEIC-FEUP
11
Filtragem Baseada no Conteúdo
Talvez seja melhor
começar a aprender
com as acções dos
utilizadores…
MIEIC-FEUP
12
Filtragem Colaborativa

A filtragem colaborativa (FC) pode ser descrita como a
tarefa de identificar (filtrar) interesses dos utilizadores
através da aprendizagem de relações com outros
utilizadores (colaboração).

A recomendação é baseada em produtos que pessoas com
gostos e preferências similares apreciaram no passado.
MIEIC-FEUP
13
Modelo de Conjuntos
MIEIC-FEUP
14
Abordagem Híbrida
MIEIC-FEUP
15
MIEIC-FEUP
16
Collaborative Filtering with Interlaced
Generalized Linear Models [Delannay e Verleysen]
• Procura identificar interesses dos utilizadores através da
similaridade dos seus comportamentos.
•Centra-se na previsão de novas avaliações baseada na
factorização da matriz das avaliações e na utilização de
modelos probabilísticos para representar incertezas nas
avaliações.
MIEIC-FEUP
17
Descrição do Modelo
•Os Utilizadores e os Itens são representados por vectores
de características que representam os parâmetros principais
do modelo.
•A previsão da avaliação atribuída por um utilizador a um
determinado item é representada como o produto entre os
respectivos vectores de características
.
•O vector de características do utilizador é entendido como
diferentes sensibilidades a um conjunto de aspectos que
descrevem os itens e o vector de características dos itens
corresponde a esses aspectos.
MIEIC-FEUP
18
Descrição do Modelo
MIEIC-FEUP
19
Configuração do Modelo
K=2
• A optimização dos vectores de características é feita
utilizando o formalismo dos Modelos Lineares
Generalizados.
MIEIC-FEUP
20
Filtragem Colaborativa baseada na
Média das Avaliações
•Neste modelo mantêm-se a ideia chave do GLM entrelaçado
que é representar os utilizadores e os itens por vector de
características.
•A apreciação dos itens expressa pelos utilizadores é estimada
pelo produto dos respectivos vectores de características
MIEIC-FEUP
21
Filtragem Colaborativa baseada na
Média das Avaliações
• Os vectores de características são optimizados aplicando a
técnica de regressão linear regularizada.
• Com a aplicação da regressão linear pretende-se estudar a
dependência entre as avaliações atribuídas por um utilizador a
um determinado item e as características dos utilizadores e
dos itens, ou seja, como é que as características dos
utilizadores e dos itens influenciam no processo de avaliação.
MIEIC-FEUP
22
Filtragem Colaborativa baseada na
Média das Avaliações
MIEIC-FEUP
23
Configuração do Modelo
K=2
MIEIC-FEUP
24
Base de Dados

MovieLens
◦ 6040 Utilizadores
◦ 3900 Filmes (Itens)
◦ Aproximadamente 1 milhão de avaliações discretas no
intervalo [1,5]
MIEIC-FEUP
25
Desempenho
MIEIC-FEUP
26
Desempenho
• Root
Mean Square error (RMSE)
• Mean Absolut
Error (MAE)
MIEIC-FEUP
27
Desempenho
MIEIC-FEUP
28
Desempenho
MIEIC-FEUP
29
Desempenho
MIEIC-FEUP
30
Contribuições
•Levantamento do estado da arte sobre algoritmos
colaborativos e sistemas de recomendação
•Estudo comparativo de diferentes abordagens de
sistemas de recomendação
• Apresentação de uma nova abordagem híbrida para
algoritmos colaborativos
MIEIC-FEUP
31
Conclusão
• Na última década os algoritmos colaborativos têm adquirido uma
importância considerável, conseguindo avanços significativos devido
ao surgimento de novas abordagens para o problema.
•Apesar deste avanço, continuam a necessitar de optimizações para
poderem ser aplicadas em situações da vida real.
•Na maioria das situações é preciso considerar informações
provenientes de vários contextos, o que não é considerado pela
geração actual de algoritmos colaborativos por se encontrarem
centralizados apenas na informação dos itens e dos utilizadores.
MIEIC-FEUP
32
Obrigado
MIEIC-FEUP
33