Introdução à sistemas de recomendação
-
Upload
ralph-rassweiler -
Category
Technology
-
view
145 -
download
2
Transcript of Introdução à sistemas de recomendação
Introdução à Sistemas de Recomendação
Meu nome é Ralph RassweilerVamos falar sobre sistemas de recomendação.
Olá!
Por que eu deveria me importar?
#1 Onipresença
#2 Lucro
http://www.moneysense.ca/invest/10-reasons-youre-not-rich/
http://www.intelliverse.com/blog/2015/10/06/the-power-of-personalized-product-recommendations/
35%Vendas a partir de recomendações
http://www.businessinsider.com/netflixs-recommendation-engine-drives-75-of-viewership-2012-4
75%Visualizações a partir de recomendações
http://blog.hubspot.com/blog/tabid/6307/bid/30239/71-More-Likely-to-Purchase-Based-on-Social-Media-Referrals-Infographic.aspx#sm.00008lj1ykg78f4yt7t1dfljglm83
71%Compra provável se referenciado
https://www.statista.com/chart/1945/essential-devices/
http://www.marketingcharts.com/television/tv-ad-revenues-drop-12-12613/attachment/yankeegroup-media-averages-apr-2010jpg/
http://blog.pmweb.com.br/a-internet-no-brasil-em-2015/#sthash.UQFJUsvE.lDTpFsd1.dpbs
Contextualização1
Contextualização
Sempre haverá usuários e itens
Contextualização
Sempre haverá usuários e itens …em um contexto
Contextualização
O usuário expressa suas preferências
implícita/explícita
Excelente
Muito Bom
Bom
Ruim
Péssimo
Contextualização
O sistema indica itens
“
Um Sistema de Recomendação é um software que antecipa necessidades de usuários
Similaridades entre usuários
Filtragem Colaborativa (FC)2
FC
FC - Entre usuários
4,5 ? ? 4,0 5,0
4,0 1,5 4,0 4,5 4,0
FC - Entre usuários
? ?
FC - Entre usuários
?
FC - Entre usuários
FC - Entre usuários
4,5 1,73 ? 4,0 5,0
4,0 1,5 4,0 4,5 4,0
FC - Entre usuários
4,5 1,73 4,21 4,0 5,0
4,0 1,5 4,0 4,5 4,0
FC - Entre usuários
#1 Calcular
similaridade entre
usuários
#3 Recomendar n itens com as maiores avaliações
#2 Prever as avaliações
FC - Entre itens
Woody ?
Buzz
Yoda ? ?
Luke ? ?
Darth Vader ? ?
FC - Entre itens
Woody ?
Buzz
Yoda ? ?
Luke ? ?
Darth Vader ? ?
FC - Entre itens
Gostou? Então sugerimos estes
As recomendações não são óbvias.
O domínio de negócio é desnecessário.
Simples de implementar!
FC - Entre itens
#1 Calcular
similaridade entre itens
#3 Recomendar n itens com as maiores avaliações
#2 Prever as avaliações
Atributos dos itens
Filtragem baseada em conteúdo (FBC)3
FBC
Gênero Comédia Ação Animação Horror Drama
Diretor P. Feig D. Yates C. Renaud D. Sandberg B. Furman
Escritor P. Feig A. Cozad C. Paul E. Heisserer E. Furman
Estúdio Sony Lionsgate Universal RatPac-Dune Broad Green
Classificação PG-13 PG-13 PG PG-13 R
FBC
? ?
FBC - Árvore de Decisão
Transparência.Independência de outros usuários.
É possível recomendar novos itens.
FBC
#1 Modelar
perfil dos usuários
#3 Contrastar
perfis, recomendar
mais parecidos
#2 Modelar
perfil dos itens
Revisando
Recomendações inovadoras
Itens recomendados estão associados ao conhecimento da comunidade.
Simplicidade
O modelo colaborativo é simples e fácil de implementar.
Domínio de negócio
Para o modelo colaborativo, é desnecessário.
Transparência
É simples explicar o porquê de recomendações no modelo baseado em conteúdo.
Independência de usuários
O modelo baseado em conteúdo dá foco aos atributos dos itens.
Novo item
Novos itens podem ser recomendados no modelo baseado em conteúdo.
É muito fácil construir um Sistema de Recomendação!
Desafios4
Desafios
? ?
Desafios
? ?
Desafios
? ?
? ? ? ? ?
Desafios
? ? ?
?
? ? ? ? ? ?
Cold-start!
Desafios
...
? ?
...
Varia conforme o domínio, mas é comum ficar próximo a 99%!Esparsidade!
Desafios
Woody ?
Buzz
Yoda ?
Luke ?
Darth Vader ? ?
Desafios
Woody ?
Buzz
Yoda ?
Luke ?
Darth Vader ? ?
Ovelha-negra!
Desafios
Gênero Comédia Ação Animação Horror Drama
Diretor P. Feig D. Yates C. Renaud D. Sandberg B. Furman
Escritor P. Feig A. Cozad C. Paul E. Heisserer E. Furman
Estúdio Sony Lionsgate Universal RatPac-Dune Broad Green
Classificação PG-13 PG-13 PG PG-13 R
Análise de conteúdo limitada!
Desafios
Gênero Fantasia Fantasia Fantasia Fantasia
Diretor C. Columbus C. Columbus A. Cuarón M. Newell
Escritor Steve Kloves Steve Kloves Steve Kloves Steve Kloves
Estúdio Warner Warner Warner Warner
Classificação PG PG PG PG
Desafios
Gênero Fantasia Fantasia Fantasia Fantasia Fantasia
Diretor C. Columbus C. Columbus A. Cuarón M. Newell D. Yates
Escritor Steve Kloves Steve Kloves Steve Kloves Steve Kloves Goldenberg
Estúdio Warner Warner Warner Warner Warner
Classificação PG PG PG PG PG-13
Mais do mesmo… Super- Especialização!
Desafios
Curti estes pratos!
2014 à 2016
Desafios
A partir de hoje sou vegetariano!
2017
O Buzz vai continuar recebendo recomendações de pratos com carne por um tempo!
Estabilidade em detrimento de plasticidade!
Revisando
Cold-Start
Novo item ou novo usuário não recebem recomendações.
Esparsidade
Poucas avaliações disponíveis dificultam predição acurada.
Análise limitada
Carência de atributos ou muitos atributos inúteis não representam a essência do item.
Super-especialização
O modelo FBC pode gerar recomendações óbvias.
Ovelha negra
Alguns usuários tem preferências muito particulares.
Estabilidade vs Plasticidade
Depois que o perfil do usuário está estabelecido é difícil mudar.
Temperos5
Avaliação - Qualidade da Predição
4,5 1,73 4,21 4,0 5,0
4,0 1,5 4,0 4,5 4,0
Avaliação - Qualidade da Predição
4,5 2,0 2,5 4,0 5,0
4,0 1,5 4,0 4,5 4,0
O Netflix nunca colocou em produção o vencedor do prêmio.
http://www.wired.com/2012/04/netflix-prize-costs/
Avaliação - Qualidade do ranking
#1 #2 #3 #4 #5
Especializações
Demográfico Ciente de Contexto Conhecimento
Afff… chega né? Muita coisa...
Finale6
O que faz um Sistema de Recomendação ser bom?
O que faz um Sistema de Recomendação ser bom?
Diverso
O que faz um Sistema de Recomendação ser bom?
Surpreendente
O que faz um Sistema de Recomendação ser bom?
Personalizado
Recursos
Coursera
Recursos
Recursos
2002 - Hybrid Recommender Systems Survey and Experiments
2002 - Incremental SVD-Based Algorithms for Highly Scalable Recommender Systems
2005 - Toward the Next Generation of Recommender Systems A Survey of the state-of-the-art and possible extensions
2006 - Being Accurate is Not Enough
2007 - Content-Based Recommendation Systems
2009 - A Survey of Accuracy Evaluation Metrics of Recommendation Tasks
2011 - Collaborative Filtering Recommender Systems
2013 - Recommender Systems Survey
Alguma pergunta ?
Encontre-me em
◉ [email protected]◉ http://www.slideshare.net/ralphrass/
introduo-sistemas-de-recomendao
Obrigado!
Créditos
◉ Template da apresentação de SlidesCarnival◉ Imagens de http://pixar.wikia.com/