Slide 1

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

Slide 18

FEUP-MIEIC 18

Slide 19

FEUP-MIEIC 19