Sistemas Recomendação em Redes Sociais

SISTEMAS DE RECOMENDAÇÃO EM REDES SOCIAIS Natã Venâncio, Savyo Nóbrega

Agenda •  Contextualização

–  Redes Sociais –  Sistemas de Recomendação (SRs)

•  Técnicas de Sistemas de Recomendação •  SR baseado na similaridade de perfis do Twi@er •  Recomendação de tags •  Sistemas de Recomendação em Redes Socais

–  Google +1 –  Amigos DINS

•  Considerações Finais

CST 2011 – Sistemas de Recomendação em Redes Sociais

2

Redes Sociais •  “Grupo de pessoas que tem algum nível de relação ou interesse mútuo.” (Dennis Altermann)

•  ComparQlhamento de informações.

•  Alto crescimento.


3

Redes Sociais •  Facebook –  590 milhões de visitantes únicos por mês –  38,5% da Internet usa o Facebook –  300 milhões de pessoas acessam diariamente –  Cada usuário fica em média 25 minutos no site –  700 bilhões de minutos no total

Dados: DoubleClick ad planner


4

Sistemas de Recomendação •  Surgimento:

–  Aumento da quanQdade de informação a que o usuário tem acesso. –  Crescente mudança no paradigma da Web social baseado no usuário.

•  ObjeQvo: reduzir a sobrecarga de informação da Web por meio da seleção de conteúdo baseada em preferências do usuário.


5

Consumidor da informação AQvo produtor de conhecimento

Sistemas de Recomendação •  Três categorias:

–  Abordagem baseada em conteúdo


6

Sistemas de Recomendação •  Três categorias:

–  Abordagem colaboraQva

–  Abordagens híbridas


7

Sistemas de Recomendação •  Problema:

–  EsQmação e forma das respostas do usuário


8

Técnicas de Sistemas de Recomendação

CST 2011 – Sistemas de Recomendação em Redes Sociais 9

Filtragem baseada em conteúdo (FBC)

•  Base: “Comparar conteúdo dos itens de forma a recomendar itens semelhantes aos que o usuário gostou no passado.”

•  Algoritmo TF-‐IDF.

•  Informações armazenadas em forma textual.

•  Problema: Superespecialização e qualidade.


10

Vetores formados pelos termos dos documentos

Filtragem ColaboraQva (FC) •  Base: Gerar recomendações a parQr da correlação entre

usuários.

•  Não apresenta restrição quanto ao Qpo dos dados.

•  Vantagens: ausência do problema de superespecialização, qualidade dos itens e gosto do usuário.

•  Problemas: first-‐rater, startup e sparcity.


11

Mineração de dados (MD) •  Descoberta de Conhecimento de Banco de Dados (DCBD).

•  Descoberta de padrões num BD: –  “20% dos consumidores que compram fraldas também compram cerveja”; –  “80% dos consumidores que compram fraldas e cerveja em uma compra,

voltam para comprar carne e carvão na sexta-‐feira”.


12

Mineração de dados (MD) •  Regras associaQvas

•  Nos SRs, faz-‐se uso das regras associaZvas: –  Pré-‐condições que devem ser idenQficadas nos perfis dos

usuários, através dos antecedentes das regras; –  Itens que devem ser recomendados, através dos consequentes


13

Fraldas Cerveja

Fraldas e cerveja Carne e carvão

Raciocínio Baseado em Casos (RBC)

•  Metodologia de solução de problemas que baseia-‐se em conhecimento adquirido anteriormente.

•  Armazenado na forma de casos (descrição do problema + solução).

•  Funcionamento de sistemas RBC é cíclico, dividido em quatro etapas principais:

•  Recuperação; •  ReuQlização; •  Adaptação; •  Retenção.


14



15

Problema Casos Similares

Casos Armazenados

Solução Sugerida Solução Adaptada

RECUPERAÇÃO

REUTILIZAÇÃO

ADAPTAÇÃO

RETENÇÃO


•  Nos SRs, os itens a serem recomendados são tratados da mesma forma como são os problemas.

•  Sistemas de Recomendação baseados em Conhecimento –  Guardam informações sobre como os itens a serem recomendados se

adequam às necessidades dos usuários.


16

Aplicações

Recomendação de tags SR baseado na similaridade de perfis no Twi@er


Recomendações de tags

Propósitos: “Aumentar chances de encontrar um documento postado, relembrar ao usuário do

que se trata um documento e consolidar o vocabulário por meio dos usuários.”

BibSonomy


18



19

Folksonomy

Conjunto de Usuários

Conjunto de Tags

Conjunto de Documentos

Usuário Documento Tag

Recomendações de tags •  Definição do Problema: Recomendar para um dado usuário ( ) e um dado documento ( ), um conjunto de tags ( ). •  Foco: Medir a relevância de tags.


20


•  Usa Filtragem ColaboraQva

•  Matriz usuário-‐objeto: m usuários x n objetos


21



22

Conjunto dos k usuários mais similares a u

Número de vizinhos a ser retornados



23

SR baseado na similaridade de perfis no Twi@er

•  ObjeQvo do trabalho: –  Implementação de uma aplicação que cria um perfil para o usuário e,

a parQr dele, sugere perfis que ele pode desejar visitar.

•  A recomendação faz uso da descrição de um novo usuário e recomenda um outro que possui uma descrição similar à dele.


24



25

•  Nearest Neighbor –  Método descrito nos anos 50, mas ganhou popularidade no início dos

anos 60, quando os computadores mais potentes surgiram.

–  Suponha um conjunto D de tuplas de treinamento. Cada elemento de D é uma tupla (x1, x2, ..., xn, c), onde c é a classe a qual pertence a tupla (x1, x2, ..., xn), que é considerada um ponto num espaço n-‐dimensional.

–  Para saber a que classe pertence uma outra tupla Y = (y1, ..., yn), calculam-‐se as distâncias de Y a todas as tuplas de treinamento e considera aquela mais próxima de Y.


26


•  Nearest Neighbor –  Distância Euclidiana

–  Distância de cossenos

•  qi é o peso do termo i na consulta •  di é o peso do termo i na consulta

–  Pode haver uma normalização dos dados. CST 2011 – Sistemas de Recomendação em

Redes Sociais 27


–  Representação dos documentos é feita baseada em três modelos: booleano, probabilísQco e vetorial.


28


•  Mineração de Texto –  Processo de extrair padrões de textos. –  Trabalha com dados não estruturados

•  Etapa de pré-‐processamento: não estruturados à estruturados

•  Mineração de Texto – Etapa de pré-‐processamento –  Análise Léxica –  Conversão entre caracteres –  Stemming


29


•  Mineração de Texto – Etapa de representação –  Atribuição de pesos

•  Peso u-‐idf: (frequência do termo) x (relevância de um termo num documento)

–  Organizar os termos de acordo com o peso •  Ranking


30


•  Resultados obQdos –  Mineração de perfis de 19.365 usuários diferentes –  Pré-‐processamento à Vetor de pesos à Ranking à Dist. Euclidiana –  Foram escolhidos os k perfis que mostraram menores distâncias em

relação ao perfil em questão


31


Sistemas de Recomendação

Google +1 Amigos DINS


Sistemas de Recomendação

•  Google –  Recomendar conteúdo diretamente nos resultados de pesquisa ou através de botões que poderão ser adicionados em sites e blogs pela Web.

–  Parecido com o do Facebook.


33

Considerações Finais •  Importância dos Sistemas de Recomendação associados às

Redes Sociais –  Reduzir a sobrecarga de informação na Web

•  Não existe uma melhor técnica para construir um SR –  Depende do objeQvo da sua aplicação

•  CompeQção entre as Redes Sociais existentes –  Quem ganha é o usuário final


34

Referências Bibliográficas •  PEREIRA, D. Uma Aplicação em Sistemas de Recomendação: Sistema de

Recomendação para Pacotes GNU/Linux. •  CAZELLA, S. C., NUNES, M. A. S. N., REATEGUI, E. B. A Ciência da Opinião:

Estado da Arte em Sistemas de Recomendação. •  DE GEUS, P. L., FIGUEIRA FILHO, F. M., ALBUQUERQUE, J. P. Sistemas de

Recomendação e Interação na Web Social. •  CORUMBA, D. M., NUNES, M. A. S. N., ARANHA, C. N. Sistema de

Recomendação baseado na similaridade de perfis do Twi@er. •  h@p://www.google.com/+1/bu@on/. ÚlQmo acesso em: 31/05/2011. •  Sistemas de Recuperação da Informação 2011.1, UFCG. Prof. Dr. Leandro

Balby Marinho.


35

SISTEMAS DE RECOMENDAÇÃO EM REDES SOCIAIS

{natanvm,savyo}@dsc.ufcg.edu.br

Sistemas Recomendação em Redes Sociais

Technology

Transcript of Sistemas Recomendação em Redes Sociais