Algoritmos Colaborativos para Sistemas de Recomendação José Graciano Almeida Ramos Orientador: Prof. Doutor Jaime S. Cardoso Responsável no INESC - Porto: Mestre Ricardo Sousa MIEIC-FEUP 1 Mestrado Integrado em Engenharia Informática e Computação 20 de Julho de 2010
33
Embed
Algoritmos Colaborativos para Sistemas de Recomendação Algoritmos Colaborativos para Sistemas de Recomendação José Graciano Almeida Ramos Orientador: Prof.
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
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.