Apresentação Intermédia
José Graciano Almeida Ramos
Orientador: Professor Dr. Jaime S. Cardoso
Responsável INESC Porto : MSc. Ricardo Sousa
FEUP-MIEIC
1
 Projecto
• Motivação
Problema
• Objectivos
•

Perspectiva de
Solução
Os Algoritmos colaborativos utilizados
em sistemas de recomendação têm
adquirido elevada importância
maioritariamente devido ao seu uso no
comércio electrónico como é o caso da
Amazon.
O sistema tendo em conta a informação
do histórico de compras efectuadas por
um cliente irá gerar uma lista de
recomendações para futuras aquisições
que não tenham sido consideradas até
então.
FEUP-MIEIC
2
 Projecto
• Motivação
Problema
• Objectivos
•

Perspectiva de
Solução
FEUP-MIEIC
3
 Projecto
•
Motivação
•
Estudo dos sistemas de recomendação
identificando os vários algoritmos
existentes.
•
Implementação e aperfeiçoamento de um
algoritmo identificado como promissor
• Problema
•

Objectivos
Perspectiva de
Solução
FEUP-MIEIC
4
 Projecto
Motivação
• Problema
•
•
Implementação e aperfeiçoamento de um
algoritmo identificado no levantamento do
estado de arte.
•
Melhorar a qualidade da recomendação
gerada com grandes quantidades de
dados.
• Objectivos

Perspectiva de
Solução
FEUP-MIEIC
5
 Projecto
•

Perspectiva de
Solução
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
o
o
o
o
o
o
Classificação dos Algoritmos
Colaborativos
Métodos baseados em pesquisa
Filtragem baseada em conteúdo
Filtragem colaborativa
Modelo de conjuntos – Cluster
Filtragem colaborativa item-a-item
Abordagem híbrida
FEUP-MIEIC
6
 Projecto

Perspectiva de
Solução
Métodos baseados em pesquisa
o
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
o
o
Trata o problema como uma procura de itens
relacionados entre si.
Exp: Procura por itens do mesmo autor,
artista, realizador…
Problema:
Para utilizadores com muitas avaliações é
impraticável realizar pesquisas com todos as
avaliações disponíveis.
Solução
Usar sub-conjunto de dados, o que reduz a
qualidade da recomendação.
FEUP-MIEIC
7
 Projecto

Perspectiva de
Solução
Filtragem baseada em conteúdo
o
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
o
o
Gera recomendações baseadas na análise do
conteúdo dos itens e no perfil do utilizador.
Baseia na informação obtida de forma
implícita ou explicita.
Problema
O uso de questionários para obter
informações é incómoda para o cliente.
Solução
Usar algoritmos que apreendem com as
acções do cliente.
FEUP-MIEIC
8
 Projecto

Perspectiva de
Solução
Filtragem colaborativa
o
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
o
o
Colmata pontos que ficaram em aberto na
filtragem baseada no conteúdo.
A recomendação é baseada em itens que
pessoas com gostos similares apreciaram no
passado
Vantagem
Permite gerar recomendações inesperadas
Desvantagem
A sua aplicação é computacionalmente
dispendiosa
FEUP-MIEIC
9
 Projecto

Modelo de conjuntos - Cluster
Perspectiva de
Solução
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
FEUP-MIEIC
10
 Projecto

Filtragem colaborativa Item-a-Item
Perspectiva de
Solução
o
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
o
o
Desenvolvido pela Amazon devido à
dificuldade dos algoritmos existentes em
escalar a sua grande quantidade de dados.
Produz recomendações do boa qualidade em
tempo real.
Gera recomendações baseado em tabelas de
itens similares que são construidas off-line.
FEUP-MIEIC
11
Abordagem Híbrida
 Projecto

Perspectiva de
Solução
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
o
o
Combina métodos colaborativos e métodos
baseado em conteúdo. Gera recomendações
de maior qualidade.
Pode ser realizada de quatro formas:
1. Combinar as recomendações obtidas
separadamente
2. Adicionar características dos métodos
baseados em conteúdo aos modelos
colaborativos
3. Adicionar características colaborativas
aos modelos baseados em conteúdo
4. Desenvolver um modelo único
unificador de recomendação
FEUP-MIEIC
12
 Projecto
•

Perspectiva de
Solução
Problemas dos algoritmos
colaborativos
o
Análise limitada de conteúdos
o
Super especialização
o
Problema do novo utilizador
o
Problema do novo item
o
Disparidade
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
FEUP-MIEIC
13
 Projecto

Perspectiva de
Solução
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
•
Melhorias propostas
oCompreensão detalhada dos utilizadores e dos
itens
oExtensões para técnicas de recomendação
baseada em modelos
oMulti-dimensionalidade da recomendação
Avaliações Multi-Critérios
Intrusividade
Flexibilidade
Eficácia da recomendação
FEUP-MIEIC
14
 Projecto
•

Revisão Tecnológica
Perspectiva de
Solução
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
FEUP-MIEIC
15
•
 Projecto

Revisão Tecnológica
Perspectiva de
Solução
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
o
o
o
o
Ferramenta robusta em problemas de
optimização
Incorpora Toolboxes relacionadas com
algoritmos identificados no estado da arte
Útil na análise de dados e facilita
implementação inicial de algoritmos
Possibilidade de integrar código com
aplicações desenvolvidos noutras linguagens
de programação
FEUP-MIEIC
16
 Projecto

Perspectiva de
Solução
•
o
o
• Estado da
Arte
Metodologias
• Plano de
trabalho
•
o
o
o
o
o
o
Revisão dos Métodos Científicos
Redes neuronais
Algoritmo do vizinho mais próximo
K-means
Modelos Bayesianos
Cadeias de Markov
CART
Algoritmos genéticos
SVR
FEUP-MIEIC
17
 Projecto

Perspectiva de
Solução
•
Estado da Arte
•
Metodologias
• Plano de
trabalho
FEUP-MIEIC
18


Projecto
Perspectiva
de Solução
FEUP-MIEIC
19