Mineração de Dados na Web
SISTEMAS DE RECOMENDAÇÃO
EQUIPE

Lais Varejão (lvv)

Paulo Oliveira (phslfo)

Victor Lorena (vlfs)

Victor Acioli (vaca)
ROTEIRO

Introdução

Coleta de Informações

Estratégias

Técnicas

Arquitetura

Passo a Passo

Aplicações

Conclusão
INTRODUÇÃO
MOTIVAÇÃO

A Era da Inteligência Coletiva
MOTIVAÇÃO
Sob o aspecto tecnológico, Inteligência Coletiva
é o conjunto de comportamentos, preferências
e ideias de um grupo de pessoas para criar
novas introspecções.
MOTIVAÇÃO

Atualmente existe uma grande quantidade de
informação disponibilizada de forma facilitada.
MOTIVAÇÃO
Ao mesmo tempo...
MOTIVAÇÃO

O usuário tem dificuldade de encontrar
informações que são relevantes para ele.
PROBLEMA
Como identificar quais
conteúdos são
relevantes para cada
usuário em meio a um
mar de informação?
SISTEMAS DE RECOMENDAÇÃO

Sistemas de recomendação realizam a filtragem
da informação para recomendar itens, que
possam ser interessantes para o usuário.
SISTEMAS DE RECOMENDAÇÃO
Que filme eu
devo ver?
Para onde eu
devo sair?
Qual livro eu
devo ler?
SISTEMAS DE RECOMENDAÇÃO
“Muitas vezes as pessoas só sabem o que querem
depois que você mostra a elas.”
Steve Jobs
SISTEMAS DE RECOMENDAÇÃO
Existem empresas que investem em
sistemas de recomendação?
SISTEMAS DE RECOMENDAÇÃO
DESAFIO NETFLIX

Netflix
É
uma locadora de DVDs online, com entrega a
domicílio, que recomenda filmes de acordo com
locações prévias dos clientes.
 Dos
filmes alugados, 60% vêm de recomendações.
2006, ela anunciou o prêmio de 1 milhão para a
primeira pessoa que melhorasse a precisão do seu
sistema de recomendação em 10%.
 Em
QUEM FORAM OS PIONEIROS?

Nos anos 90, foi desenvolvido o Tapestry.
 Um
sistema de email que avaliava a relevância dos
documentos recebidos.

Em 1996, o My Yahoo surgiu.
O
primeiro website a utilizar recomendação em
grandes proporções.
A
técnica customização era utilizada.
COLETA DE INFORMAÇÕES
COLETA DE INFORMAÇÕES

É indispensável conhecer quem é o usuário.
COLETA DE INFORMAÇÕES

O usuário deve ser identificado no momento
em que ele acessa o sistema.
 Identificação
no servidor
É
necessário fazer um cadastro.
 Provê maior precisão.
 Identificação
 Utiliza
no cliente
cookies para identificar a máquina.
 Menos confiável.
COLETA DE INFORMAÇÕES

As informações podem ser coletadas de forma
explícita ou implícita.
COLETA DE INFORMAÇÕES

Coleta Explícita
O
usuário indica o que lhe interessa.
COLETA DE INFORMAÇÕES

Coleta Implícita
A
partir do comportamento do usuário, infere-se
suas necessidades e preferências.
TURISMO
PROBLEMAS DE PRIVACIDADE

Informações do usuário são coletadas e
armazenadas sem que ele perceba.

Existem empresas que vendem esses dados.
POLÍTICAS DE PRIVACIDADE

É uma exigência legal que as políticas de
privacidade dos sites sejam disponibilizadas.
 Aumenta
a proteção do usuário.
POLÍTICAS DE PRIVACIDADE

Algumas organizações propõem selos que
regulam a política de privacidade de um
website.
ESTRATÉGIAS
ESTRATÉGIAS

Diferentes estratégias podem ser usadas para
personalizar ofertas para o usuário.
 Listas

de Recomendação
Avaliação de Usuários
 Suas
Recomendações
 Produtos
Similares (X
 Associação
Y)
por Conteúdo
ESTRATÉGIAS

Listas de Recomendação
 São
mantidas listas de itens organizadas por tipos
de interesse.
ESTRATÉGIAS

Avaliação de Usuários
 Além
de comprar, o usuário deixa sua avaliação
sob o item adquirido.
É
importante que haja veracidade na opinião.
SUAS RECOMENDAÇÕES

Itens são oferecidos de acordo com o interesse
do usuário.
PRODUTOS SIMILARES (X

Y)
Indica itens similares ao que está sendo
comprado no momento.
ASSOCIAÇÃO POR CONTEÚDO

São utilizados os dados dos próprios produtos e
não do usuário.

Exemplo:
 Autor
 Editora
 Tema
 Assunto
TÉCNICAS
FILTRAGEM DE INFORMAÇÃO
É o nome utilizado para descrever uma variedade
de processos que envolvem a entrega de
informação para as pessoas que realmente
necessitam delas.
Belvin and Croft - 1992
FILTRAGEM BASEADA EM CONTEÚDO

É a forma mais simples de recomendação

Considera que usuários sempre gostaram de
coisas que gostaram no passado.

Analisa apenas os itens e o perfil do usuário.
FILTRAGEM BASEADA EM CONTEÚDO

Funcionamento:
 Usuários
devem avaliar itens de acordo com seu
interesse.
O
sistema correlaciona os itens em sua base de
dados, considerando características de cada
item.
E
indica novos itens que apresentem alto grau de
similaridade.
EXEMPLO
sim(REC, Exoc)
Usuário Atual
FILTRAGEM BASEADA EM CONTEÚDO

Dificuldades:
 Cálculo
da similaridade
 Análise
dos dados restrita
 Super
Especialização
 Efeito
Portfólio
FILTRAGEM COLABORATIVA

Fechar as lacunas que a filtragem baseada em
conteúdo não soluciona.

Não exige a extração de características dos
itens.

O sistema se baseia na troca de experiências
entre usuários com gostos similares.
FILTRAGEM COLABORATIVA

Funcionamento:
 Usuários
devem avaliar itens de acordo com seu
interesse.
 O sistema descobre usuários com padrões similares
de comportamento ao do usuário atual.
 Processa as avaliações feitas por esse subconjunto
de usuários.
 E recomenda itens que o usuário atual ainda não
avaliou.
EXEMPLO
Gosta:
1. Filme A
2. Filme B
3. Filme C
Gosta:
1. Filme A
2. Filme B
3. Filme C
Usuário Atual
Usuário X
Similares
Usuário Y
FILTRAGEM COLABORATIVA


Dificuldades:

Necessita de vasta base de dados

Escalabilidade/estabilidade

Partida fria (Usuários e itens novos)

Popularidade

Ovelha negra
Demonstração Facebook
FILTRAGEM HÍBRIDA

Combina as duas técnicas, para obter um sistema
mais eficiente.
COMPARATIVO
FBC
Partida fria (Item)
Partida fria (Usuário)
Similaridade
Dados restritos
Especialização
Efeito Portfólio
Vasta base de dados
Popularidade
Ovelha negra
FC
FH
CUIDADOS

Solicitada ou espontânea?

Rodar online ou offline?

Recomendar tudo ou filtrar?

Só itens novos?

Explicar o motivo da escolha?

Necessidade ou interesse?
ARQUITETURA
ARQUITETURA
EXEMPLO

Recommender Server
 Utilizado
para dar acesso aos SessionsControllers
e às rotinas de recomendações.
EXEMPLO

SessionController
 Ao
entrar no site as
informações do usuário
são armazenadas sobre
sua interação atual.
E
comparadas com o seu
histórico dentro do site.
EXEMPLO

StrategyList

Guarda vários modelos de recomendação.

Baseado em listas armazenadas pelo sistema.


Baseado em preferências explícitas ou implícitas.


Itens mais comuns
Itens mais específicos
Diferentes estratégias podem ser criadas e utilizadas em
paralelo em um mesmo website.
EXEMPLO

InterestList
 Mantém
 Essas
as preferências.
preferências podem ser utilizadas em
conjunto.
EXEMPLO

FindingList
 Informações
 Armazena
básicas sobre os usuários.
características demográficas e hábitos.
 Recomendação
com precisão.
RECOMENDAÇÃO PASSO A PASSO
PASSO A PASSO

Do que as pessoas gostam?
 Preferências
 Como
de produtos, serviços e interesses.
e onde pegar essas informações.
PASSO A PASSO

Como as pessoas se parecem?
 Grupos
de pessoas com interesses em comum.
 Métricas
de Similaridade:
Coeficiente de Pearson.
 Distância Euclidiana.

PASSO A PASSO

Recomendar itens
 Mostrar
algum item que uma pessoa parecida
com você viu e você não viu.
 Tabela de Pesos.
PASSO A PASSO

Comparação entre itens
 Encontra
a similaridade entre os itens.
 Ajuda
a oferecer um item que
provavelmente queira ver.
você
APLICAÇÕES
APLICAÇÕES

Aardwark:
 Sugestões
de perguntas a pessoas certas.
 Associação por Conteúdo.
APLICAÇÕES

YouTube:
 Sugestão
 Lista
de vídeos.
de recomendação.
 Associação
de conteúdo.
APLICAÇÕES

Facebook:
 Sugestão
de pessoas que o usuário possa conhecer.
 Usuários que se interessam por “X” também se
interessam por “Y”.
APLICAÇÕES

Match.com:
É
uma comunidade mundial de solteiros em busca
de um parceiro.
 Lançado
em 1995, foi pioneiro em sites de
relacionamentos.
 Possui
mais de 29 milhões de usuários.
APLICAÇÕES

Match.com:
 Sugere
pessoas através do Daily 5.
 Suas Recomendações.
APLICAÇÕES

Amazon:
 Inicialmente,
era uma livraria online. Atualmente,
é a maior empresa de comércio eletrônico dos
EUA.
 Realiza
grandes investimentos em recomendação,
possuindo todas as estratégias.
de 38% de suas vendas provêm de suas
sugestões.
 Cerca
APLICAÇÕES

Amazon:
 Sugestão
de itens que o
usuário posso querer
comprar.
 Lista
de recomendação.
APLICAÇÕES

Amazon:
 Avaliação
de Usuários
APLICAÇÕES

Amazon:
 Suas
Recomendações
APLICAÇÕES

Amazon:
 Usuários
que se interessam por “X” também se
interessam por “Y.”
APLICAÇÕES

Amazon:
 Associação
por conteúdo
DESAFIOS E TENDÊNCIAS
TENDÊNCIAS

Pesquisa social
 Busca
na web considera as
redes sociais que o usuário
faz parte.
 Ex:
O sistema responde a
uma consulta de um usuário
com links relacionados às
avaliações dadas por colegas
do usuário.
TENDÊNCIAS

Google Social Search
DESAFIOS

Melhoria nos algoritmos de recomendação:
 Eficiência
 Qualidade
do resultado.
CONCLUSÃO

Sistemas de recomendação
podem ser usados para que
se possa conhecer melhor
os hábitos dos usuários.

Aplicar estrategicamente o
conhecimento dos hábitos
dos
usuários,
pode
melhorar a lucratividade de
uma empresa.
CONCLUSÃO

A tendência é que todos os programas web
utilizem recomendação.
DÚVIDAS
Obrigado!
REFERÊNCIAS

http://dsc.upe.br/~tcc/20092/TCC_final_AndersonBerg.pdf

http://en.wikipedia.org/wiki/Recommender_system

Programming Collective Inteligence - OReilly

Artigo 2 (Incluir)

Artigo 3 (Incluir)