Geração de recomendações e explicações em sistemas de recomendação utilizando contexto

Vítor Rodrigues TononOrientadora: Profa. Dra. Solange Oliveira Rezende

Introdução

12

Contextualização e Motivação

Os sistemas de recomendação buscam prever e recomendar itens a seus usuários (AGGARWAL,2016):▰ maior facilidade em encontrar itens▰ aumento do volume de vendas e do lucro

3

Contextualização e Motivação

Existem vários fatores que podem influenciar a preferência do usuário, como o contexto no qual ele está inserido.▰ Estação do ano▰ Companhia▰ Tipo de viagem▰ ...

O uso do contexto pode gerar recomendações mais precisas (ADOMAVICIUS; TUZHILIN, 2011).

4

Contextualização e Motivação

As recomendações geradas têm grande impacto na satisfação do usuário e no volume de vendas (AGGARWAL,2016):

▰ A avaliação é crucial na tarefa de recomendação▰ A maioria dos trabalhos avalia apenas a acurácia

das recomendações

▻ Não consideram se as recomendações são explicáveis: algoritmos caixas-pretas

5

Contextualização e Motivação

Diante disso, é importante fornecer explicações que detalhem o processo de recomendação (TINTAREV; MASTHOFF, 2007)

▰ Quando o usuário entende o porquê das recomendações, ele se torna mais receptível a elas

▰ Aumento da satisfação do usuário

6

Contextualização e Motivação

Podem ser gerados diferentes tipos de explicação (HERLOCKER; KONSTAN; RIEDL, 2000):▰ “Porque você viu o filme X, pode se interessar

também pelos filmes a seguir”▰ “Usuários similares a você gostaram dos seguintes

itens”

7

Contextualização e Motivação

Utilizar o contexto para gerar as explicações é uma alternativa (SATO et al., 2018)

▰ “O filme Harry Potter é adequado para ser visto com a família”

▰ “Esse restaurante é ótimo para almoços de negócio”

Ainda não foram identificados trabalhos que geraram explicações de qualidade satisfatória utilizando o contexto. 8

Objetivo principal

Diante disso, o objetivo principal deste trabalho é agregar as informações de usuários, itens e contextos em uma única representação, gerando recomendações e explicações.

9

Fundamentos

210

Sistemas de Recomendação

No processo de recomendação, estão envolvidas diferentes entidades (usuários, itens e contextos) que se relacionam:▰ Entender essas relações e a sua influência sobre

o processo de recomendação pode trazer semântica ao processo

▰ Escolha adequada do modelo de representação▻ Melhores recomendações e explicações

11

Sistemas de Recomendação

A representação utilizada para modelar os sistemas de recomendação tem grande impacto no resultado final e pode ser de dois tipos (SHI et al., 2017):▰ Modelo Espaço-Vetorial▰ Redes

12

Modelos de Representação

No modelo espaço-vetorial, as avaliações dos usuários são armazenadas em uma matriz:

13

Figura 2 - Representação do problema de recomendação no modelo espaço vetorial. Fonte: elaborada pelo autor.

Modelos de Representação

Nas representações em rede, podem ser criados nós de diferentes tipos, representando as entidades envolvidas no processo:

14Figura 3 - Representação do problema de recomendação como uma rede heterogênea. Fonte: elaborada pelo autor.

Usuários

Itens

Modelos de Representação

As representações em rede são promissoras para os sistemas de recomendação por permitirem explorar (SHI et al., 2017):▰ Relacionamentos entre as entidades▰ Padrões nas interações da rede

Essas informações podem ser usadas como fonte das recomendações e explicações.

15

Proposta

316

Visão geral da proposta

17Figura 5 - Visão geral da proposta deste mestrado. Fonte: elaborada pelo autor.

Método de Pesquisa

18Figura 5 - Visão geral da proposta deste mestrado. Fonte: elaborada pelo autor.

1ª etapa

Coleta de bases de dados reais

1ª etapa: Coleta de bases de dados reais com informações contextuais

19

Tabela 2 - Bases de dados sensíveis ao contexto consideradas adequadas

Método de Pesquisa

20Figura 5 - Visão geral da proposta deste mestrado. Fonte: elaborada pelo autor.

2ª etapa

Construção da rede heterogênea

2ª etapa: Construção da rede heterogênea de usuários, itens e contextos

21Figura 6 - Rede heterogênea a ser proposta. Fonte: elaborada pelo autor.

Construção da rede heterogênea

2ª etapa: Construção da rede heterogênea de usuários, itens e contextos

22Figura 6 - Rede heterogênea a ser proposta. Fonte: elaborada pelo autor.

Nós-usuário

Construção da rede heterogênea

2ª etapa: Construção da rede heterogênea de usuários, itens e contextos

23Figura 6 - Rede heterogênea a ser proposta. Fonte: elaborada pelo autor.

Nós-contexto

Construção da rede heterogênea

2ª etapa: Construção da rede heterogênea de usuários, itens e contextos

24Figura 6 - Rede heterogênea a ser proposta. Fonte: elaborada pelo autor.

Nós-item

Construção da rede heterogênea

2ª etapa: Construção da rede heterogênea de usuários, itens e contextos

25Figura 6 - Rede heterogênea a ser proposta. Fonte: elaborada pelo autor.

Definição das arestas entre os nós:➢ Usuário viu item em um

contexto➢ Usuários similares➢ Itens similares➢ ...

Método de Pesquisa

26Figura 5 - Visão geral da proposta deste mestrado. Fonte: elaborada pelo autor.

3ª etapa

Implementação da regularização em redes

3ª etapa: Implementação de método de recomendação baseado em regularização da rede:▰ Inspirado no TriRank (He et al. 2015)

27

Regularização para cada usuário▰ Rotula os itens com a nota que o

usuário deu (classes 1 a 5).▰ Propaga os rótulos para o restante da

rede▰ Recomenda os top-N itens com maior

rótulo.

Método de Pesquisa

28Figura 5 - Visão geral da proposta deste mestrado. Fonte: elaborada pelo autor.

4ª etapa

4ª etapa: Avaliação experimental▰ As recomendações e explicações geradas

devem ser avaliadas▰ Uso de métricas offline, como precisão, erro

quadrático médio, MAP, etc.

Avaliação Experimental

29

Acertos no começo da lista têm maior valor que acertos no final

Os principais resultados esperados são:1. Um processo para construção de redes heterogêneas de

usuários, itens e contextos

2. Um método que gera recomendações e explicações utilizando informações contextuais

3. Avaliações do método implementado

4. Publicação dos principais resultados em artigos científicos

Resultados Esperados

30

31

Obrigado!Vítor Rodrigues Tonon

vitor.tonon@usp.br

Referências

32

ABDOLLAHI, B.; NASRAOUI, O. Using explainability for constrained matrix factorization. In: ACM. Proceedings of the Eleventh ACM Conference on Recommender Systems. [S.l.], 2017. p. 79–83.

ADOMAVICIUS, G.; SANKARANARAYANAN, R.; SEN, S.; TUZHILIN, A. Incorporating contextual information in recommender systems using a multidimensional approach. ACM Transactions on Information Systems (TOIS), ACM, v. 23, n. 1, p. 103–145, 2005.

ADOMAVICIUS, G.; TUZHILIN, A. Context-aware recommender systems. In: Recommender systems handbook. [S.l.]: Springer, 2011. p. 217–253.

Referências

33

AGGARWAL, C. C. Recommender Systems: The textbook. 1. ed. [S.l.]: Springer, 2016.

BARAL, R.; ZHU, X.; IYENGAR, S.; LI, T. Reel: R eview aware explanation of location recommendation. In: ACM. Proceedings of the 26th Conference on User Modeling, Adaptation and Personalization. [S.l.], 2018. p. 23–32.

BOBADILLA, J.; ORTEGA, F.; HERNANDO, A.; GUTIÉRREZ, A. Recommender systems survey. Knowledge-Based Systems, Elsevier, v. 46, p. 109–132, 2013.

Referências

34

CHANG, S.; HARPER, F. M.; TERVEEN, L. G. Crowd-based personalized natural language explanations for recommendations. In: ACM. Proceedings of the 10th ACM Conference on Recommender Systems. [S.l.], 2016. p. 175–182.

CHEN, L.; WANG, F. Explaining recommendations based on feature sentiments in product reviews. In: ACM. Proceedings of the 22nd International Conference on Intelligent User Interfaces. [S.l.], 2017. p. 17–28.

CHEN, W.; HSU, W.; LEE, M. L. Tagcloud-based explanation with feedback for recommender systems. In: ACM. Proceedings of the 36th international ACM SIGIR conference on Research and development in information retrieval. [S.l.], 2013. p. 945–948.

Referências

35

GUO, Q.; SUN, Z.; ZHANG, J.; CHEN, Q.; THENG, Y.-L. Aspect-aware point-of-interest recommendation with geo-social influence. In: Adjunct Publication of the 25th Conference on User Modeling, Adaptation and Personalization. [S.l.]: ACM, 2017. (UMAP ’17), p. 17– 22.

HE, X.; CHEN, T.; KAN, M.-Y.; CHEN, X. Trirank: Review-aware explainable recommendation by modeling aspects. In: Proceedings of the 24th ACM International on Conference on Information and Knowledge Management. [S.l.]: ACM, 2015. (CIKM ’15), p. 1661–1670.

HERLOCKER, J. L.; KONSTAN, J. A.; RIEDL, J. Explaining collaborative filtering recommendations. In: ACM. Proceedings of the 2000 ACM conference on Computer supported cooperative work. [S.l.], 2000. p. 241–250.

Referências

36

JIANG, Z.; LIU, H.; FU, B.; WU, Z.; ZHANG, T. Recommendation in heterogeneous information networks based on generalized random walk model and bayesian personalized ranking. In: ACM. Proceedings of the Eleventh ACM International Conference on Web Search and Data Mining. [S.l.], 2018. p. 288–296.

PANNIELLO, U.; GORGOGLIONE, M. Incorporating context into recommender systems: an empirical comparison of context-based approaches. Electronic Commerce Research, Springer, v. 12, n. 1, p. 1–30, 2012.

PHAM, T.-A.; LI, X.; CONG, G.; ZHANG, Z. A general recommendation model for heterogeneous networks. IEEE Transactions on Knowledge & Data Engineering, IEEE, n. 1, p. 1–1, 2016.

Referências

37

SATO, M.; AHSAN, B.; NAGATANI, K.; SONODA, T.; ZHANG, Q.; OHKUMA, T. Explaining recommendations using contexts. In: 23rd International Conference on Intelligent User Interfaces. [S.l.]: ACM, 2018. p. 659–664.

SHAPIRA, B.; RICCI, F.; KANTOR, P. B.; ROKACH, L. Recommender systems handbook. Springer, 2011.

SHI, C.; LI, Y.; ZHANG, J.; SUN, Y.; PHILIP, S. Y. A survey of heterogeneous information network analysis. IEEE Transactions on Knowledge and Data Engineering, IEEE, v. 29, n. 1, p. 17–37, 2017.

Referências

38

TINTAREV, N.; MASTHOFF, J. A survey of explanations in recommender systems. In: IEEE. Data Engineering Workshop, 2007 IEEE 23rd International Conference on. [S.l.], 2007. p. 801–810.

ZHANG, Y.; LAI, G.; ZHANG, M.; ZHANG, Y.; LIU, Y.; MA, S. Explicit factor models for explainable recommendation based on phrase-level sentiment analysis. In: Proceedings of the 37th International ACM SIGIR Conference on Research & Development in Information Retrieval. New York, NY, USA: ACM, 2014. (SIGIR ’14), p. 83–92.

ZHENG, Y.; MOBASHER, B.; BURKE, R. User-oriented context suggestion. In: ACM. Proceedings of the 2016 Conference on User Modeling Adaptation and Personalization. [S.l.], 2016. p. 249–258.