Cultura Organizacional Grupos Colaborativos MudançA Organizacional
Algoritmos Colaborativos para Sistemas de Recomendação Algoritmos Colaborativos para Sistemas de...
Transcript of Algoritmos Colaborativos para Sistemas de Recomendação Algoritmos Colaborativos para Sistemas de...
MIEIC-FEUP 1
Algoritmos Colaborativos para Sistemas de Recomendação
José Graciano Almeida RamosOrientador: Prof. Doutor Jaime S. Cardoso
Responsável no INESC - Porto: Mestre Ricardo Sousa
Mestrado Integrado em Engenharia Informática e Computação
20 de Julho de 2010
MIEIC-FEUP 2
Estrutura•Objectivos
•Sistemas de Recomendação
•Estado da Arte• Exemplos da Aplicação dos Sistemas de
Recomendação• Formulação dos Algoritmos Colaborativos• Classificação dos Algoritmos Colaborativos
• Collaborative Filtering with Interlaced Generalized linear Models
•Filtragem Colaborativa baseada na Média das avaliações.
MIEIC-FEUP 3
Objectivos
MIEIC-FEUP 4
Mundo Actual
Acesso fácil a novas tecnologias de informação
Sistemas de Recomendação
Crescimento exponencial da quantidade de dados a
tratar
Pedir recomendação de um amigo
Maior esforço das partes envolvidas no
processo de tomada de decisão
Sorte
Sistemas de Recomendação
COMO SELECIONAR/ENCONTRAR
INFORMAÇÃO?
MIEIC-FEUP 5
Sistemas de Recomendação
•São utilizados pelas empresas para gerar recomendações de novos produtos aos clientes.
•Apoia nos Algoritmos Colaborativos para gerar recomendações.
MIEIC-FEUP 6
Sistemas de Recomendação
MIEIC-FEUP 7
Estado da Arte
MIEIC-FEUP 8
Exemplos de Aplicação
MIEIC-FEUP 9
Formulação dos Sistemas de Recomendação
U = conjunto de utilizadoresY = conjunto de itens
MIEIC-FEUP 10
Classificação dos Algoritmos Colaborativos
MIEIC-FEUP 11
Métodos Baseados em Pesquisa
MIEIC-FEUP 12
Filtragem Baseada no ConteúdoTalvez seja melhor
começar a aprender com as
acções dos utilizadores…
MIEIC-FEUP 13
Filtragem Colaborativa
A filtragem colaborativa (FC) pode ser descrita como a tarefa de identificar (filtrar) interesses dos utilizadores através da aprendizagem de relações com outros utilizadores (colaboração).
A recomendação é baseada em produtos que pessoas com gostos e preferências similares apreciaram no passado.
MIEIC-FEUP 14
Modelo de Conjuntos
MIEIC-FEUP 15
Abordagem Híbrida
MIEIC-FEUP 16
MIEIC-FEUP 17
Collaborative Filtering with Interlaced Generalized Linear Models [Delannay e Verleysen]
• Procura identificar interesses dos utilizadores através da similaridade dos seus comportamentos.
•Centra-se na previsão de novas avaliações baseada na factorização da matriz das avaliações e na utilização de modelos probabilísticos para representar incertezas nas avaliações.
MIEIC-FEUP 18
Descrição do Modelo•Os Utilizadores e os Itens são representados por vectores de características que representam os parâmetros principais do modelo.
•A previsão da avaliação atribuída por um utilizador a um determinado item é representada como o produto entre os respectivos vectores de características .
•O vector de características do utilizador é entendido como diferentes sensibilidades a um conjunto de aspectos que descrevem os itens e o vector de características dos itens corresponde a esses aspectos.
MIEIC-FEUP 19
Descrição do Modelo
MIEIC-FEUP 20
Configuração do Modelo
K = 2
• A optimização dos vectores de características é feita utilizando o formalismo dos Modelos Lineares Generalizados.
MIEIC-FEUP 21
Filtragem Colaborativa baseada na Média das Avaliações
•Neste modelo mantêm-se a ideia chave do GLM entrelaçado que é representar os utilizadores e os itens por vector de características.
•A apreciação dos itens expressa pelos utilizadores é estimada pelo produto dos respectivos vectores de características
MIEIC-FEUP 22
Filtragem Colaborativa baseada na Média das Avaliações
• Os vectores de características são optimizados aplicando a técnica de regressão linear regularizada.
• Com a aplicação da regressão linear pretende-se estudar a dependência entre as avaliações atribuídas por um utilizador a um determinado item e as características dos utilizadores e dos itens, ou seja, como é que as características dos utilizadores e dos itens influenciam no processo de avaliação.
MIEIC-FEUP 23
Filtragem Colaborativa baseada na Média das Avaliações
MIEIC-FEUP 24
Configuração do Modelo
K = 2
MIEIC-FEUP 25
Base de Dados
MovieLens◦ 6040 Utilizadores◦ 3900 Filmes (Itens)◦ Aproximadamente 1 milhão de avaliações
discretas no intervalo [1,5]
MIEIC-FEUP 26
Desempenho
MIEIC-FEUP 27
Desempenho
• Root Mean Square error (RMSE)
• Mean Absolut Error (MAE)
MIEIC-FEUP 28
Desempenho
MIEIC-FEUP 29
Desempenho
MIEIC-FEUP 30
Desempenho
MIEIC-FEUP 31
Contribuições
•Levantamento do estado da arte sobre algoritmos colaborativos e sistemas de recomendação
•Estudo comparativo de diferentes abordagens de sistemas de recomendação
• Apresentação de uma nova abordagem híbrida para algoritmos colaborativos
MIEIC-FEUP 32
Conclusão• Na última década os algoritmos colaborativos têm adquirido uma importância considerável, conseguindo avanços significativos devido ao surgimento de novas abordagens para o problema.
•Apesar deste avanço, continuam a necessitar de optimizações para poderem ser aplicadas em situações da vida real.
•Na maioria das situações é preciso considerar informações provenientes de vários contextos, o que não é considerado pela geração actual de algoritmos colaborativos por se encontrarem centralizados apenas na informação dos itens e dos utilizadores.
MIEIC-FEUP 33
Obrigado