Sistemas de
Recomendação
Fausto Jose Feitosa Barbosa Gominho (fjfbg)
Vinícius Cezar Monteiro de Lira (vcml)
1
Roteiro
• Introdução
• Coleta de Informações
• Estratégias de Recomendação
• Técnicas de Recomendação
• Aplicações
• Conclusão
2
INTRODUÇÃO
3
Introdução
• Com a quantidade de informações e com a disponibilidade
facilitada das mesmas pelo acesso a Internet, as pessoas se
deparam com uma diversidade muito grande de opções.
• Muitas vezes um indivíduo possui pouca ou quase nenhuma
experiência pessoal para realizar escolhas dentre várias
alternativas que lhe são apresentadas.
Como proceder nestes casos?
• Confiando nas recomendações que são passadas por outras
pessoas.
• forma direta (word of mouth)
• textos de recomendação
4
Introdução
• Os Sistemas de Recomendação auxiliam no aumento da
capacidade e eficácia do processo de indicação já
bastante conhecido na relação social.
• Segundo Burke um Sistema de Recomendação é qualquer
sistema que produza recomendações individualizada, ou
que guie o usuário de forma a apresentar conteúdo do
seu interesse dentre uma variedade de opções.
5
Introdução
• O projeto Tapestry
• Utilizava opiniões de pessoas de uma comunidade pequena (e.g.
escritório ou grupo de trabalho) para encontrar recomendações.
• Filtragem Colaborativa
• Resnick defendeu o termo “sistemas de recomendação”
como terminologia mais genérica do que filtragem
colaborativa, já que sistemas de recomendação podem
existir sem nenhuma colaboração entre as pessoas.
6
Quem usa?
7
COLETA DE INFORMAÇÕES
8
Coleta de Informação
• Para que se posa recomendar itens a um usuário, é
necessário se ter conhecimento sobre quem é o usuário.
• É necessário capturar e armazenar seus dados pessoais e
comportamentais.
• Duas das formas mais usuais de identificação:
• Identificação no servidor
• Identificação no cliente
9
Identificação no servidor
10
Identificação no cliente
• Utiliza cookies para identificar a máquina.
• Menos confiável
11
Coleta de Informação
• Depois de identificar o usuário, é possível coletar dados
sobre este de forma explícita ou implícita.
• Explícita (customização)
• O usuário indica espontaneamente o que lhe é importante.
• Implícita
• O sistema infere as necessidades e preferências do usuário
através de suas ações.
12
Coleta de Informação
• Explícita (customização)
Usuário
Serviços desejados
[email protected]
Gastronomia
[email protected]
Turismo
13
Coleta de Informação
• Implícita
Usuário
Item
Categoria
Data Acesso
[email protected]
A001
Gastronomia
10/10/2012
[email protected]
B023
Turismo
10/10/2012
[email protected]
D005
Gastronomia
14/10/2012
14
ESTRATÉGIAS DE RECOMENDAÇÃO
15
Estratégias de Recomendação
• Os principais objetivos do sistemas de recomendação são
a fidelidade e consequentemente o aumento do lucro.
• As estratégias mais utilizadas são:
•
•
•
•
•
Listas de recomendação
Reputação do produto
Suas recomendações
Recomendação por associação
Associação por conteúdo
16
Lista de Recomendação
• Mantêm listas de itens organizados por tipos de
interesses.
17
Reputação do Produto
• Além de comprar um produto o usuário ainda o avalia.
• É preciso que haja veracidade das opiniões fornecidas.
18
Suas Recomendações
• A lista de itens é inteiramente dedicada ao usuário.
19
Recomendação por Associação
• Usuários que se interessaram por X também se
interessaram por Y.
• Forma mais complexa de recomendação
• Analisa os hábitos do usuário para a identificação de padrões.
20
Associação por Conteúdo
• As recomendações são feitas a partir do conteúdo de
determinado item, por exemplo um autor, um
compositor, um editor, etc
21
TÉCNICAS DE RECOMENDAÇÃO
22
Formalização do Problema
• Seja C o conjunto de todos os usuários de um determinado
sistema
• Cada elemento de C é definido através de um profile;
• Seja S o conjunto de todos os possíveis itens que podem ser
recomendados
• Cada item do espaço S pode ser definido por um conjunto de
características
• Seja u a função utilidade que mede o quão útil é um
determinado item s para um determinado usuário c
• u:C x S → R
• Onde R é um conjunto totalmente ordenado
• Geralmente a utilidade é definida através de avaliações
23
Formalização do Problema
• Então, para cada usuário c ∈ C, procura-se um item s' ∈
S que maximiza a utilidade do usuário.
• ∀ c ∈ C, s' = argmaxs∈S u(c,s)
• Geralmente a utilidade é definida através de avaliações.
• São definidas apenas nos itens previamente avaliados pelos
usuários
• A utilidade u geralmente não é definida em todo o
espaço C x S.
• Problema central dos sistemas de recomendação
24
Formalização do Problema
• Assim o algoritmo de recomendação deve:
• Ser capaz de estimar (predizer) as avaliações não realizadas para
os pares usuário-item.
• Fazer recomendações apropriadas baseadas nestas predições.
• Os sistemas de recomendação são classificados de acordo com
o método de predição utilizado:
• Filtragem Baseada em Conteúdo.
• Filtragem Colaborativa.
• Filtragem Híbridos.
25
Filtragem Baseada em Conteúdo
• Recomenda ao usuário itens que sejam semelhantes ao
que ele preferiu no passado.
• A recomendação é feita a partir de tags "descritoras" de
itens.
• Baseada na similaridade dos itens.
• É a abordagem mais simples.
26
Filtragem Baseada em Conteúdo
• Funcionamento:
X-men
Titanic
Usuário Atual
O Exorcista
Os Vingadores
27
Filtragem Baseada em Conteúdo
• Desvantagens:
• Cálculo da similaridade
• Definição das características dos itens
• Super Especialização
• Não proporciona apresentação de conteúdo novo ao usuário
• Efeito Portfólio
• Podem oferecer recomendações repetitivas
28
Filtragem Colaborativa
• Consiste na recomendação de itens que pessoas com
gosto semelhante preferiram no passado.
• Relevância da recomendação é obtida pelo grau de
similaridade com outros usuários.
• Análise de vizinhança
• Não exige a extração de características dos itens.
29
Filtragem Colaborativa
• Funcionamento:
Similares
Maria
Gosta:
Filme A
Filme B
Filme C
João
Catarina
Gosta:
Filme F
Filme G
Filme H
Gosta:
Filme A
Filme B
Filme C
30
Filtragem Colaborativa
• Exemplo:
• Recomendar um produto ao usuário Mauro:
Os produtos Prod1e Prod5 seriam recomendados a Mauro.
31
Filtragem Colaborativa
• Desvantagens:
• Um novo item nunca é recomendado até que um usuário o avalie
• Um usuário exótico terá dificuldades para encontrar outros
usuários com gostos similares.
• Necessita de uma vasta base de dados. Caso o numero de
usuários seja pequeno em relação ao numero de itens, causará
problema.
• O problema do avaliador.
32
Filtragem Híbrida
• Consiste em combinar as duas abordagens mencionadas
tentando fortificá-las e superar suas desvantagens.
• O mais comum é combinar a filtragem colaborativa com
outras técnicas.
• Vantagens:
• Recomendação de itens diretamente relacionado ao histórico
• Bons resultados para usuários incomuns
• Precisão independente do número de usuários
33
APLICAÇÕES
34
Áreas de Aplicações
• Comércio Eletrônico
• Recomendação de produtos e serviços
• Educação e Científica
• Recomendação de artigos e cursos
• Turismo
• Recomendação de viagens e pontos turísticos
• Saúde
• Recomendação de tratamentos
• Rede Social
• Recomendação de casais e amigos
• Marketing
• Propaganda eletrônica
35
CineDica
• Sistema de recomendação para filmes e seriados
• Informações de Profile
• Marcar inicialmente filmes que gostou
36
CineDica
37
Last.fm
• Sistema de recomendação para músicas
• A Last.fm permite que você mantenha um registro do
que ouve* em qualquer player.
• Com base no seu gosto musical, a Last.fm lhe
recomendará mais músicas e shows.
• Utilização de filtragem por conteúdo
38
Last.fm
39
Youtube
• YouTube:
• Sugestão de vídeos.
• Lista de recomendação.
• Associação de conteúdo.
40
Amazon
• Inicialmente, era uma livraria online. Atualmente, é a
maior empresa de comércio eletrônico dos EUA.
• Realiza grandes investimentos em recomendação,
possuindo uma abordagem híbrida.
• Cerca de 38% de suas vendas provêm de suas sugestões.
41
Amazon
• Avaliações dos usuários
42
Amazon
• Sugestão de itens que o usuário possa querer comprar.
• Lista de recomendação.
• Usuários que se interessam por “X” também se
interessam por “Y.”
43
TENDÊNCIAS E CONCLUSÃO
44
Tendências
• A tendência é Intensificar o uso de características
comportamentais em sistemas de recomendação.
• Web Semântica
• Os computadores poderem entender o significado da informação.
• Eles poderão aprender sobre o que estamos interessados e nos
ajudar a encontrar o que realmente queremos.
45
Conclusão
• Nós estamos sobrecarregados de informação, grande
partes dessas informações não são uteis para nossas
necessidades.
• Os sistemas de recomendação atuam de forma a sugerir
algo de interesse ao usuário.
• Aumentam a qualidade no serviço prestado em vários
segmentos:
• Auxiliam clientes na busca de produtos que ele desejaria comprar
• Melhoram a venda cruzada de produtos (compras adicionais)
46
Referências
• Cazella, Sílvio César , Maria Augusta S. N. Nunes, e Eliseo
Berni Reategui. “A Ciência da Opinião: Estado da arte em
Sistemas
de
Recomendação.”
s.d.
http://200.17.141.213/~gutanunes/hp/publications/JAI4.
pdf (acesso em 15 de 10 de 2012).
• Reategui, Eliseo Berni, e Sílvio César Cazella. XXV
Congresso da Sociedade Brasileira de Computação Sistemas
de
Recomendação.
s.d.
http://200.169.53.89/download/cd%20congressos/2005/
SBC%202005/pdf/arq0287.pdf (acesso em 15 de 10 de
2012).
47
Referências
• Souza, Renata Ghisloti Duarte. “Aplicando Sistemas de
Recomendação
em
Situações
Práticas.”
s.d.
http://www.ibm.com/developerworks/br/local/data/sist
emas_recomendacao/index.html (acesso em 11 de 10 de
2012).
• Caraciolo, Marcel Pinheiro – Sistema de Recomendação
Personalizando sua experiência de compra. s.d.
http://www.slideshare.net/marcelcaraciolo/sistemas-derecomendao-e-inteligncia-coletiva (acesso em 14 de 10
de 2012).
48
OBRIGADO
Fausto Jose Feitosa Barbosa Gominho
Vinícius Cezar Monteiro de Lira
49