Apresentao Intermdia Jos Graciano Almeida Ramos Orientador:
Professor Dr. Jaime S. Cardoso Responsvel INESC Porto : MSc.
Ricardo Sousa 1 FEUP-MIEIC
Slide 2
2 Os Algoritmos colaborativos utilizados em sistemas de
recomendao tm adquirido elevada importncia maioritariamente devido
ao seu uso no comrcio electrnico como o caso da Amazon. O sistema
tendo em conta a informao do histrico de compras efectuadas por um
cliente ir gerar uma lista de recomendaes para futuras aquisies que
no tenham sido consideradas at ento.
Slide 3
FEUP-MIEIC 3
Slide 4
4 Estudo dos sistemas de recomendao identificando os vrios
algoritmos existentes. Implementao e aperfeioamento de um algoritmo
identificado como promissor
Slide 5
FEUP-MIEIC 5 Implementao e aperfeioamento de um algoritmo
identificado no levantamento do estado de arte. Melhorar a
qualidade da recomendao gerada com grandes quantidades de
dados.
Slide 6
FEUP-MIEIC 6 Classificao dos Algoritmos Colaborativos o Mtodos
baseados em pesquisa o Filtragem baseada em contedo o Filtragem
colaborativa o Modelo de conjuntos Cluster o Filtragem colaborativa
item-a-item o Abordagem hbrida
Slide 7
FEUP-MIEIC 7 Mtodos baseados em pesquisa o Trata o problema
como uma procura de itens relacionados entre si. Exp: Procura por
itens do mesmo autor, artista, realizador o Problema: Para
utilizadores com muitas avaliaes impraticvel realizar pesquisas com
todos as avaliaes disponveis. o Soluo Usar sub-conjunto de dados, o
que reduz a qualidade da recomendao.
Slide 8
FEUP-MIEIC 8 Filtragem baseada em contedo o Gera recomendaes
baseadas na anlise do contedo dos itens e no perfil do utilizador.
Baseia na informao obtida de forma implcita ou explicita. o
Problema O uso de questionrios para obter informaes incmoda para o
cliente. o Soluo Usar algoritmos que apreendem com as aces do
cliente.
Slide 9
FEUP-MIEIC 9 Filtragem colaborativa o Colmata pontos que
ficaram em aberto na filtragem baseada no contedo. A recomendao
baseada em itens que pessoas com gostos similares apreciaram no
passado o Vantagem Permite gerar recomendaes inesperadas o
Desvantagem A sua aplicao computacionalmente dispendiosa
Slide 10
FEUP-MIEIC 10 Modelo de conjuntos - Cluster
Slide 11
FEUP-MIEIC 11 Filtragem colaborativa Item-a-Item o Desenvolvido
pela Amazon devido dificuldade dos algoritmos existentes em escalar
a sua grande quantidade de dados. o Produz recomendaes do boa
qualidade em tempo real. o Gera recomendaes baseado em tabelas de
itens similares que so construidas off-line.
Slide 12
FEUP-MIEIC 12 Abordagem Hbrida o Combina mtodos colaborativos e
mtodos baseado em contedo. Gera recomendaes de maior qualidade. o
Pode ser realizada de quatro formas: 1. Combinar as recomendaes
obtidas separadamente 2. Adicionar caractersticas dos mtodos
baseados em contedo aos modelos colaborativos 3. Adicionar
caractersticas colaborativas aos modelos baseados em contedo 4.
Desenvolver um modelo nico unificador de recomendao
Slide 13
FEUP-MIEIC 13 Problemas dos algoritmos colaborativos o Anlise
limitada de contedos o Super especializao o Problema do novo
utilizador o Problema do novo item o Disparidade
Slide 14
FEUP-MIEIC 14 Melhorias propostas o Compreenso detalhada dos
utilizadores e dos itens o Extenses para tcnicas de recomendao
baseada em modelos o Multi-dimensionalidade da recomendao Avaliaes
Multi-Critrios Intrusividade Flexibilidade Eficcia da
recomendao
Slide 15
FEUP-MIEIC 15 Reviso Tecnolgica
Slide 16
FEUP-MIEIC 16 Reviso Tecnolgica o Ferramenta robusta em
problemas de optimizao o Incorpora Toolboxes relacionadas com
algoritmos identificados no estado da arte o til na anlise de dados
e facilita implementao inicial de algoritmos o Possibilidade de
integrar cdigo com aplicaes desenvolvidos noutras linguagens de
programao
Slide 17
FEUP-MIEIC 17 o Redes neuronais o Algoritmo do vizinho mais
prximo o K-means o Modelos Bayesianos o Cadeias de Markov o CART o
Algoritmos genticos o SVR Reviso dos Mtodos Cientficos