Proposta de Modelo Adaptativo para            o de Contextos na                   o de Locais     Celso V. Crivelaro – LTA...
Onde queremos chegar…• Incrementar a qualidade de Sistemas de  Recomendação Contextuais de Locais com técnicas  Adaptativa...
Por que queremos isso?• Sistema de Recomendação para o site Apontador  (líder brasileiro em busca de locais)              ...
Por que queremos isso?• Percebeu-se que na recomendação de locais que os  usuários visitavam grupos de pontos concentrados...
Sistemas de Recomendação (SR)• Permitem a recomendação de itens para o usuário a  partir do seu histórico de acesso aos it...
Como são classificados os SR?  BASEADO EM CONTEÚDO                      FILTRAGEM COLABORATIVA• São avaliados os conteúdos...
E o tipo de SR usado vai ser …  BASEADO EM CONTEÚDO                      FILTRAGEM COLABORATIVA• São avaliados os conteúdo...
Filtragem Colaborativa• Recomenda de acordo com os usuários mais  próximos ou os itens relacionados• Técnica tradicional: ...
Filtragem Colaborativa• Recomenda de acordo com os usuários mais  próximos ou os itens relacionados• Técnica tradicional: ...
Filtragem Colaborativa• A medida de similaridade mais comum é a  Correlação de Pearson:• Correlaciona os itens i e j pelas...
Mas o usuário está em um contexto…• Para o caso do site Apontador para recomendação de  locais, é necessário definir o con...
Solução encontrada• Ye[3] propõe que a probabilidade de o usuário visitar  um local é uma distribuição de potência da dist...
Problema…• Essa solução considera apenas um único contexto!• Se o usuário vive na Vila Madalena em SP e tem  interesse em ...
zado a   Nesse momento, o dispositivo adaptativo apenas faz as açõesárea de   de consulta em vez de executar alguma ação s...
Adaptando os contextos…• Se o SR contextual se modificasse a cada novo local  visitado pelo usuário?                     E...
Criação de uma lista de uma nova regra que                Nesse momento, a ação adaptativa cria itens                     ...
Inferindo sobre um contexto• Com vários contextos, é mais fácil inferir qual o  usuário deve estar mais interessado       ...
Inferindo sobre um contexto• Com vários contextos, é mais fácil inferir qual o  usuário deve estar mais interessado       ...
Como avaliar essa proposta?• Será usado um corpus (log de acesso) do site  Apontador de 6 meses;• Esse corpus contém avali...
I                                                                                   A                   VI. RESULTADOS ESP...
Próximos passos…• Definir um método genérico de escolha de hipótese  para avaliar se a criação de um novo contexto (ação  ...
Celso Crivelaro – celsocrivelaro@gmail.comFabrício Barth – fabricio.barth@gmail.comRicardo Rocha – luis.rocha@poli.usp.brO...
Referências[1] Ricci, F., Rokach, L., and Shapira, B., editors (2010).Recommender Systems Handbook. Springer[2] NETO, J. J...
Upcoming SlideShare
Loading in …5
×

WTA 2012 - Proposta de Modelo Adaptativo para Geração de Contextos na Recomendação de Locais

437 views

Published on

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
437
On SlideShare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

WTA 2012 - Proposta de Modelo Adaptativo para Geração de Contextos na Recomendação de Locais

  1. 1. Proposta de Modelo Adaptativo para o de Contextos na o de Locais Celso V. Crivelaro – LTA Poli USP Fabrício J. Barth – Apontador Ricardo L. A. Rocha – LTA Poli USP
  2. 2. Onde queremos chegar…• Incrementar a qualidade de Sistemas de Recomendação Contextuais de Locais com técnicas Adaptativas• Identificar múltiplos contextos dos usuário e poder criá-los no momento da navegação do usuário• Possibilitar o tratamento de múltiplos contextos ao mesmo tempo 2
  3. 3. Por que queremos isso?• Sistema de Recomendação para o site Apontador (líder brasileiro em busca de locais) 3
  4. 4. Por que queremos isso?• Percebeu-se que na recomendação de locais que os usuários visitavam grupos de pontos concentrados; – Ex.: Bairro da Vila Madalena em São Paulo ou o grupo de cidades de Bauru, Arealva e Ibitinga em São Paulo;• Esse fator gerou uma necessidade de definir os contextos dos usuários para incrementar as recomendações, ou seja, o sistema se adaptar a realidade do usuário. 4
  5. 5. Sistemas de Recomendação (SR)• Permitem a recomendação de itens para o usuário a partir do seu histórico de acesso aos itens;• Os itens podem ser considerados produtos de venda, locais, música ou mesmo outros usuários;• Direciona os itens que o usuário pode se interessar. Trabalha com uma ferramenta de divulgação dos itens ao usuário. 5
  6. 6. Como são classificados os SR? BASEADO EM CONTEÚDO FILTRAGEM COLABORATIVA• São avaliados os conteúdos • Próximo da recomendação dos itens boca a boca• A recomendação é feita ela comparação do item a ser • É recomendado itens ao recomendado com os itens usuário de usuários com que o usuário consumiu interesses parecidos Baseados em Conhecimento • A recomendação é feita a partir de uma base de conhecimento • Ela pode ser gerada por regras arbitrárias ou técnica de data mining 6
  7. 7. E o tipo de SR usado vai ser … BASEADO EM CONTEÚDO FILTRAGEM COLABORATIVA• São avaliados os conteúdos • Próximo da recomendação dos itens boca a boca• A recomendação é feita ela comparação do item a ser • É recomendado itens ao recomendado com os itens usuário de usuários com que o usuário consumiu interesses parecidos Baseados em Conhecimento • A recomendação é feita a partir de uma base de conhecimento • Ela pode ser gerada por regras arbitrárias ou técnica de data mining 7
  8. 8. Filtragem Colaborativa• Recomenda de acordo com os usuários mais próximos ou os itens relacionados• Técnica tradicional: kNN• Média ponderada da avaliação entre os itens mais próximos aos que usuário avaliou 8
  9. 9. Filtragem Colaborativa• Recomenda de acordo com os usuários mais próximos ou os itens relacionados• Técnica tradicional: kNN Avaliação estimada do item Avalição do item i Similaridade entre os k ao usuário u pelo usuário Itens i e k 9
  10. 10. Filtragem Colaborativa• A medida de similaridade mais comum é a Correlação de Pearson:• Correlaciona os itens i e j pelas avaliações que os usuários fizeram dos mesmos itens. 10
  11. 11. Mas o usuário está em um contexto…• Para o caso do site Apontador para recomendação de locais, é necessário definir o contexto do usuário: – Contexto é definido como a região onde o usuário frequenta ou tem interesse – Ex: Bairro da Cidade Universitária e o bairro do Itaim Bibi na cidade de São Paulo• Com a recomendação colaborativa, é necessário filtrar os locais de acordo com o contexto do usuário 11
  12. 12. Solução encontrada• Ye[3] propõe que a probabilidade de o usuário visitar um local é uma distribuição de potência da distância entre o local com os locais que ele já visitou sendo que P calcula a probabilidade de um usuário visitar os dois locais apenas pela distância entre eles: ( ,) =  × ( , ) (6) Ye [9] propõe que a probabilidade de um usuário visitar um• Ideia:i Mais local jpróximo um lugar é dosprobabilidade na local e um mais segue uma distribuição de lugares que foram visitados, mais provável elebésão ser parâmetros da forma de potência, sendo que a e de os visitado distribuição. Os parâmetros a e b são calculados para cada sistema usando método do Gradiente Descendente e conjunto de dados é cada distância entre lugares i e j que um mesmo 12
  13. 13. Problema…• Essa solução considera apenas um único contexto!• Se o usuário vive na Vila Madalena em SP e tem interesse em viajar por Foz do Iguaçu, terá uma queda na qualidade das recomendações para ambas as regiões• É necessário criar contextos a medida que o usuário visita os locais para isolá-los na recomendação contextual. 13
  14. 14. zado a Nesse momento, o dispositivo adaptativo apenas faz as açõesárea de de consulta em vez de executar alguma ação sobre o amada Aqui entra Adaptatividade! dispositivo subjacente, que apenas inclui o novo item na sua lista, conforme apresentado na Figura 1 e Figura 2.om umema; • e Solução adaptativa paraLa criação de contextos i in+1núcleo •dos de Cada contexto pode ser considerado uma lista de i1 i2 ... in itensalizado Figura 1 - Inserção de item na lista i Ação adaptativa de consultaMA ⊂ i1 i2 ... in L1 i1 i2 ... in L2e. . . . obre o i1 i2 in Ln ... Figura 2 - Ação adaptativa de consulta ∥ ∥ 14 Se novo local i tiver mais do que locais distantes pelo
  15. 15. Adaptando os contextos…• Se o SR contextual se modificasse a cada novo local visitado pelo usuário? Expandindo o contexto (solução de Ye[3]) Novo Local Isolando locais em outro Contexto (solução adaptativa) 15
  16. 16. Criação de uma lista de uma nova regra que Nesse momento, a ação adaptativa cria itens P será o contexto , fazendo a inserção do local i e dos re outros locais, tal que ( ,) θ. R• A partir de um critério de diferença de inclusão nas Para a recomendação de um local com múltiplas listas, o valor do algoritmo colaborativo multiplica-se pelo fator de listas, gerar uma novo contexto um incluir em contexto. Havendo múltiplos contextos, o resultado não será Esse t apenas uma lista TOP N de recomendações, mas sim n listas alguma lista; para a re de recomendações. Para o caso de um sistema que tiver apenas de conte uma lista Top N, é necessário que o contexto tenha apenas• Critério para locais: Se em todas as listas, o local mais importância para aquele local i: contexto A apl que Θ  max ( da tiver distância maior do   =para mais,) metade recomen   (8) recomen dos outros itens da lista commerc i Ação adaptativa de distintos criação de Lista pessoas. i1 i2 ... in L1 i1 i2 ... in L2 [1] Linde . recom . . Comp i1 i2 in Ln [2] X. Su ... Tech [3] Adom i i2 ... in L n+1 Reco 16 Exten Figura 3 - Ação adaptativa de inclusão (2005
  17. 17. Inferindo sobre um contexto• Com vários contextos, é mais fácil inferir qual o usuário deve estar mais interessado Incluindo em uma lista existente 17
  18. 18. Inferindo sobre um contexto• Com vários contextos, é mais fácil inferir qual o usuário deve estar mais interessado Criando uma nova lista 18
  19. 19. Como avaliar essa proposta?• Será usado um corpus (log de acesso) do site Apontador de 6 meses;• Esse corpus contém avaliações explícitas e implícitas dos usuários sobre os locais• Comparar a técnica proposta com recomendações sem contexto e com contexto único proposto por Ye[3] 19
  20. 20. I A VI. RESULTADOS ESPERADOS Comoa avaliar essa proposta? no Para avaliar melhoria da inclusão da técnica adaptativa [10] D B U• Separação do corpus: Sistema de Recomendação baseado em Contexto, este será N comparado com o mesmo Sistema de Recomendação sem o [11] N – 70% para Treinamento contexto. C – 15% para mais tradicional de medir a qualidade de um A forma Cross-validation W I – 15 % para Testes Sistema de Recomendação de acordo com [13], é pela acurácia [12] C da predição. Uma das medidas que será usada é a Raiz do Erro T –• Algumas medidas a serem usadas: usada na avaliação do Quadrático Médio (REQM), que foi [13] H prêmio oferecido pela Netflix [14]: – Raiz do Erro Quadrático Médio c I 1 [14] N =   ( , − , ) (9) [15] R S  ∈  ,  ∈  ℐ  – Precisão Em que n é o total de avaliações sobre todos os usuários, – Recall avaliação inferida do item i ao usuário u, e é a é a , , avaliação real. Outras medidas usadas são mais conhecidas na área de 20
  21. 21. Próximos passos…• Definir um método genérico de escolha de hipótese para avaliar se a criação de um novo contexto (ação adaptativa) é melhor do que inserir o local nos contextos conhecidos• Comparar com outras técnicas de recomendação contextual 21
  22. 22. Celso Crivelaro – celsocrivelaro@gmail.comFabrício Barth – fabricio.barth@gmail.comRicardo Rocha – luis.rocha@poli.usp.brOBRIGADO! 22
  23. 23. Referências[1] Ricci, F., Rokach, L., and Shapira, B., editors (2010).Recommender Systems Handbook. Springer[2] NETO, J. J., Adaptive Rule-Driven Devices - GeneralFormulation and Case Study.[3] M. Ye, P. Yin, W.-C. Lee, and D. L. Lee. ExploitingGeographical Influence for Collaborative Point-of-Interest Recommendation. 23

×