Sistemas de Recomendação

Sistemas de Recomendação

@glbenz

Gabriel Benz

gabrielbenz.com

[email protected]

Uma abordagem geral

Friday, October 1, 2010

mailto:[email protected]


antes...Friday, October 1, 2010

atualmente...


estamos sobrecarregados de informações


muitas vezes inúteis


às vezes procuramos

isso...


e encontramos isso!


google?


google?

midias sociais?


google?

midias sociais?

eeeeuuuu...


Sistemas de Recomendação Friday, October 1, 2010

histórico de uso do sistema+

histórico de usuários parecidos


histórico de uso do sistema+

histórico de usuários parecidos

Inteligência Coletiva!


•Filtragem Colaborativa

•Filtragem Baseada em Conteúdo

•Sistemas Híbridos





usuário-a-usuário





item-a-item

usuário-a-usuário


FC: Usuário-a-usuário



Muitas pessoas gostaram de um produto X.




Selecionar usuários que tem gosto parecido.




Selecionar usuários que tem gosto parecido.

Você deve gostar do produto X pois pessoas com gosto parecido com o seu gostaram.


FC: Item-a-item


FC: Item-a-item

Gostei do produto Z.


FC: Item-a-item


Selecionar produtos similares ao produto Z.


FC: Item-a-item


Selecionar produtos similares ao produto Z.

Você deve gostar do produto Y pois ele é similar a um produto que você gostou.


Problemas:

Cold Start Gray sheep Early rater


Baseada em Conteúdo:



Produtos similares aos comprados pelo usuário




Classes compatíveis





Filmes do mesmo gênero

Vinho da mesma uva





Filmes do mesmo gênero

Vinho da mesma uva

Filtragem baseia-se na análise do conteúdo do item e no perfil do usuário


Problemas:

Super-especialização

Cold Start

Qualidade do histórico


Sistemas Híbridos:


Sistemas Híbridos:combinam as duas técnicas


Sistemas Híbridos:

FC: experiência de outros usuários

combinam as duas técnicas


Sistemas Híbridos:


BC: itens não vistos por outros usuários



Sistemas Híbridos:


BC: itens não vistos por outros usuários


É possível recomendar bons itens a um usuáriomesmo que não haja usuários semelhantes a ele.


o segredo é...


o segredo é... 42


o segredo é...

FINE TUNNING!

42


Amazon: ~ 25% das vendas!

Netflix: ~ 60% dos videos!

Google News: ~ 35% de clicks!


Desafios


Relevância temporal

O que recomendar?

Quando recomendar?


Transparência

Melhorar o sistema com os feedbacks obtidos


Dúvidas?


Referências

http://www.tuilux.com.br/blog/tag/sistemas-de-recomendacao/

http://www.ime.usp.br/~cef/mac499-07/monografias/rec/allan-renato-sidney-victor/

http://kessia.blogs.unipar.br/files/2008/07/sistemas-de-recomendacao.pdf

http://www.slideshare.net/mdeiters/you-might-also-like-implementing-user-recommendations-in-rails

http://www.slideshare.net/T212/recommender-systems-1311490












Sistemas de Recomendação

@glbenz

Gabriel Benz

gabrielbenz.com

[email protected]

Uma abordagem geral




Sistemas de Recomendação

Documents

Transcript of Sistemas de Recomendação