Sistemas de Recomendação na web

1,417 views
1,322 views

Published on

Apresentação realizada na SECOMP (Semana de Computação) 2011 da Universidade Federal de Sergipe. Breve introdução sobre os conceitos de Sistema de Recomendação com foco nas maiores empresas que utilizam na web.

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
1,417
On SlideShare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
19
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Sistemas de Recomendação na web

  1. 1. PalestraSistemas de Recomendação na Web Lucas Augusto Carvalho @lucasaugustomcc Aracaju, 06 de outubro de 2011
  2. 2. Sobre mim Graduado na UFS (2009) Iniciação científica (Interação com Voz na TV Digital) Mestrando em Inteligência Artificial (Sistema de Recomendação) Sócio – Fundador do Alguns Trocados (Compra Coletiva)● Interesses: ● Usabilidade, Aplicações Sociais, PHP, Python, Mineração de Dados, Sistema de Recomendação, Marketing Digital.● Onde me encontrar: www.linkedin.com/in/lucasaugustomcc www.slideshare.com/lucasaugustomcc @lucasaugustomcc
  3. 3. Tomada de Decisão● Como você escolheu essa palestra para assistir?
  4. 4. Definição “Utilizando a opinião de uma comunidade de usuários para ajudar indivíduos naquela comunidade a identificar mais efetivamente conteúdos de interesse de um potencial conjunto enorme de escolhas.”Resnick & Varian (1997). Recommender Systems, Comunication of the ACM,40(3).
  5. 5. Definição “Qualquer sistema que produza recomendações personalizadas como saída ou tenha o efeito de guiar o usuário em uma maneira personalizada para objetos interessantes ou úteis em um grande espaço de possibilidades.”Burke R. (2002). Hybrid Recommender Systems: Survey and Experiments,User Modeling & User Adapted Interaction, 12, pp. 331-370.
  6. 6. Tomada de Decisão● Excesso de informação / opções● Necessidade de conhecimento prévio● Personalização
  7. 7. História ● Recomendação boca a boca ● Filtragem Colaborativa
  8. 8. O que pode ser recomendado? profissionais contatos em redes sociais músicasvagas de emprego futuras namoradas filmes livros tags comunidades produtos artigos aplicativos cursos serviços passeios turísticos restaurantes programas de TV anúncios links
  9. 9. Quem recomenda?
  10. 10. Exemplo
  11. 11. Exemplo
  12. 12. Exemplo
  13. 13. Exemplo
  14. 14. Exemplo
  15. 15. Funcionamento● Perfil● Avaliação ● Implícita (ex.: cliques e compras) ● Explícita (ex.: escala 1 a 5)● Recomendação● Atualização do perfil + histórico
  16. 16. Abordagens● Colaborativo ● Agrega avaliação dos usuários e gera recomendações baseada na similaridade inter- usuários.● Baseado em conteúdo ● O perfil do usuário é contruído a partir das características dos itens avaliados pelo usuário. Este perfil é utilizado para identificar novos itens interessantes para o usuário (combinando com seu perfil)● Demográfico ● Categoriza os usuários baseado em atributos pessoais (ex.: idade, localidade, sexo...) e gera recomendações baseada em classes demográficas.● Baseado em conhecimento ● Computa a utilidade de cada item para o usuário e suas necessidades.● Híbrido ● Combina várias abordagens.
  17. 17. Funcionamento● Recomendação Colaborativa Filme A Filme B Filme C ??? ?? Você Pessoa 1 Pessoa 2 Pessoa 3
  18. 18. Funcionamento● Recomendação Colaborativa Filme A Filme B Filme C r da en com re Você Pessoa 1 Pessoa 2 Pessoa 3 similar
  19. 19. Funcionamento● Recomendação baseada em conteúdo similar Filme A Filme B Filme C recomenda gosta Você
  20. 20. Exemplos
  21. 21. Exemplos
  22. 22. Exemplos
  23. 23. Exemplos
  24. 24. Exemplos
  25. 25. Exemplos
  26. 26. Exemplos
  27. 27. Exemploscom explicação!
  28. 28. Exemplos
  29. 29. Exemplos
  30. 30. Exemplos
  31. 31. Exemplos
  32. 32. A Cauda Longa “We are leaving the age of information and entering the age of recommendation”Cris Anderson (2004), editor Wired Magazine
  33. 33. Benefícios ● 60% das visualizações da Netflix são resultado da recomendação personalizada. ● 35% da venda de produtos da Amazon são resultados de recomendações
  34. 34. Problemas● Alguns dos problemas mais citados: ● Cold-start ● Baseado em conteúdo – Novo Usuário – Características do item ● Colaborativo – Novo Item – Esparcidade dos dados (Sparcity)
  35. 35. Estado da Arte ● Recomendação Sensível ao Contexto ● Recomendação para Grupos ● Recomendação + Computação Afetiva (emoção e personalidade)
  36. 36. Bases para Teste http://www.grouplens.org/node/73 http://code.richrelevance.com/reclab/
  37. 37. E no Brasil?
  38. 38. E no Brasil?
  39. 39. ConcursosUS$ 1 milhão em premiação
  40. 40. Futuro● +1 Google
  41. 41. Pesquisas● recsys.acm.org
  42. 42. Recomendação de Itens ● Livros Possuem capítulo dedicado a RecSys:Toby Segaran, Programming Satnam Alag, Collective Haralambos Marmanis, DmitryCollective Intelligence, OReilly, Intelligence in Action, Manning Babenko. Algorithms of the2007 Publications, 2009 Intelligent Web, Manning, 2009
  43. 43. Recomendação de Itens● Livros Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B. Kantor. Recommender Systems Handbook. Springer, 2011.
  44. 44. Recomendação de Itens● PalestraPessoas que assistiram esta palestra, também assistirão: – Sistemas de Recomendação - Apresentando a Inteligência Coletiva ● A palestra foca em apresentar sistemas de recomendação e sua aplicabilidade em diversos nichos. Também sera apresentado o framework Crab em desenvolvimento para construção de sistemas de recomendação em Python. O mesmo já se encontra em funcionamento em redes sociais como atepassar.com, socialcats.com.br – Sábado, 15:30 – 16:30h – Palestrante: Marcel Caraciolo
  45. 45. Dúvidas?“We are leaving the age of information and enteringthe age of recommendation”.Cris Anderson (2004), editor da Wired Magazine Avalie esta palestra:

×