PersonalizaçãoProf.ª Ms. Elaine Cecília GattoProf.º Dr. Sergio Donizetti Zorzo

Universidade Federal de São Carlos – UFSCarDepartamento de Computação – DC

Grupo de Sistemas Distribuídos e Redes – GSDR Privacidade & Personalização – P&P

PersonalizaçãoAutomatiza um processo comum do cotidiano das pessoas. Exemplo:

Eu gostaria de assistir a um

“anime”. Mas não sei qual!

Eu tenho uma sugestão para você. Que tal

assistir “Death Note”? É um

‘anime’ muito bom. Hehehehe!

PersonalizaçãoPessoas gostam de:

◦Descrever seu grau de satisfação sobre coisas/pessoas;

◦Confiam na opinião dos outros;

Pessoas sempre estão sobrecarregadas de informação;

Mas o que interessa de fato para cada um?

Motivação: Sobrecarga de informação

Personalização

Muito aplicada em sistemas de e-commerce:- Submarino- Amazon

Sistemas de Recomendação: componentes básicos

Sistemas de recomendação concentram-se em encontrar informações que podem ser úteis ao usuário. A recomendação é obtida a partir da identificação das preferências – perfil do usuário – e da interação com o próprio sistema.

Etapas Básicas de um S. R.De quem são esses dados? Pra quem vai a recomendação?

Etapas Básicas de um S. R.Explícita: o usuário fornece as suas

preferências usualmente pelo preenchimento de um formulário;

Implícita: o sistema obtém as informações do usuário pelo registro de sua navegação;

Etapas Básicas de um S. R. Aplicadas para descobrir as similaridades

entre as preferências dos usuários e os itens a serem recomendados e, em seguida, gerar as recomendações;

Núcleo do sistema de recomendação; Utiliza algoritmos da ciência cognitiva, teoria

da aproximação, recuperação de informação, filtragem de informação, teorias de previsão e/ou mineração de dados, etc.

Etapas Básicas de um S. R.Entrega da recomendação ao usuário. Duas

formas:Push: o usuário não precisa pedir a

recomendação, o sistema se encarrega de apresentá-las;

Pull: é necessário que o usuário solicite a recomendação para que a mesma seja apresentada. Exemplo: “Temos recomendações para você, veja!”

Filtragem de InformaçãoSistemas de Filtragem de Informação:

São projetados para a filtragem de dados não estruturados ou semi-estruturados;

Descrevem uma variedade de processos que envolvem a prestação de informações a pessoas que delas necessitam;

Filtragem Baseada em Conteúdo – FBC A filtragem de informação é baseada

na análise do conteúdo do item e no perfil do usuário;

Princípio: os usuários tendem a se interessar por itens que já se interessaram antes;

Técnicas para medir a similaridade e recomendar itens relevantes: índices de busca booleana, filtragem probabilística, modelos vetoriais, etc.

Filtragem Baseada em Conteúdo – FBC Avaliação de Itens (ranking) como

fazer?

Como descobrir o quanto um item é importante/relevante para aquele usuário?

O usuário deve dizer isso explicitamente ou o sistema implementa uma forma para tal;

Obs.: Itens são descritos por suas características (ou atributos)

Filtragem Baseada em Conteúdo – FBC

Filtragem Baseada em Conteúdo – FBC: Vantagens

Usuário Independente: Sistemas que utilizam FBC exploram apenas

as avaliações fornecidas pelo usuário ativo para construir o seu próprio perfil.

Já os métodos de filtragem colaborativa precisam das avaliações de outros usuários, a fim de encontrar os "vizinhos mais próximos" do usuário ativo, ou seja, os usuários que têm gostos semelhantes, uma vez que avaliaram os mesmos itens de forma semelhante. Assim, apenas os itens que são mais apreciados pelos vizinhos do usuário ativo serão recomendados;

Filtragem Baseada em Conteúdo – FBC: Vantagens Novo Item:Capazes de recomendar itens

que ainda não foram avaliados por qualquer usuário;

Não sofrem com o problema do primeiro avaliador (FC);

Em sistemas que usam FC é necessário que um item seja avaliado por um número considerável de usuários;

Filtragem Baseada em Conteúdo – FBC: Desvantagens

Análise de conteúdo limitada:Nenhum sistema de recomendação

baseado em conteúdo pode fornecer sugestões adequadas se, o conteúdo analisado não contém informação suficiente para discriminar os itens que o usuário gosta, de itens que o usuário não gosta.

Características/Atributos/Ontologias/Conhecimento do domínio de aplicação

Filtragem Baseada em Conteúdo – FBC: Desvantagens

Superespecialização: Não tem nenhum método inerente para encontrar

algo inesperado/surpresa. O sistema sugere os itens cujas pontuações são

altas quando comparadas com o perfil do usuário, portanto, o usuário sempre vai receber recomendações de itens já recomendados (semelhantes aos já classificados).

Grau limitado de novidade; Para dar um exemplo, quando um usuário gosta de

filmes dirigido por Stanley Kubrick, ele sempre vai receber recomendações sobre esse tipo de filme.

A "perfeita" técnica com base em conteúdo raramente encontraria romance, limitando o leque de aplicações para o qual seria útil.

Filtragem Baseada em Conteúdo – FBC: Desvantagens

Novo Usuário:“Avaliações” suficientes têm de ser

recolhidas antes de um sistema baseado em conteúdo poder realmente entender as preferências do usuário e fornecer recomendações precisas (gde qtde dados);

Para um novo usuário, o sistema não será capaz de fornecer recomendações confiáveis, pois ainda não o conhece suficiente.

Filtragem ColaborativaAo invés de recomendar itens que

são semelhantes aos que um usuário tenha preferido no passado, recomenda-se itens semelhantes às preferências de outros usuários que tenham interesses em comum;

Métodos utilizados: Cosseno, Pearson, Vizinhos mais próximos, etc.

Filtragem ColaborativaNormalmente, um sistema FC

utiliza uma matriz em que os usuários são representados por linhas e os itens por colunas;

É necessário que os usuários avaliem os itens;

Filtragem ColaborativaFBC: recomenda de acordo com as

características inerentes aos itens;FC:

◦Método baseado no usuário:- Encontra usuários parecidos comigo

(em termos de itens) e recomenda o que eles gostaram;

◦Método baseado em item:- Recomenda itens que se parecem

(em termos de audiência) com itens que eu gostei no passado;

Filtragem Colaborativa: VantagensProduz recomendações

inesperadas;Independente de conteúdo;Produz recomendações de alta

qualidade: Como perceber a qualidade de um item? Avaliações dos itens pelos usuários.

Filtragem Colaborativa: DesvantagensEsparsidade:Quando a matriz possui poucas

avaliações (muitos usuários que não avaliaram itens);

O que recomendar se não há avaliação?

Soluções: técnicas de aprendizagem de máquina, regras de associação, técnicas de recuperação de informação, etc.

Filtragem Colaborativa: DesvantagensProblema do primeiro

avaliador:Quando novos itens são

adicionados ao sistema, compreensivelmente, os usuários não os avaliaram ainda.

Com apenas o uso de filtragem colaborativa, o sistema não pode recomendar esses itens até que um número suficiente de usuários os avaliem.

Filtragem Colaborativa: DesvantagensCold-Start:Causado por novos usuários que não

tenham apresentado quaisquer avaliações;

Utiliza avaliações dos usuários para associar os usuários semelhantes;

O que este usuário, que ainda não avaliou nada, contribuirá na geração das recomendações? Com quem ele é parecido?

Solução: enquanto não avaliar um número N de itens, não receberá recomendações

Filtragem HíbridaQuando o sistema é construído

utilizando tanto a técnica de filtragem de informação de conteúdo, quanto colaborativa

Configurações possíveis:

Filtragem Híbrida

FBC FC

Mesclador ouCombinador

Lista de Recomendações

Filtragem Híbrida

Sistema com Filtragem

Colaborativa

Filtro de Conteúdo

Lista de Recomendações

Filtragem Híbrida

Sistema com Filtragem de

Conteúdo

Filtro Colaborativo

Lista de Recomendações

CossenoO Cosseno mede o ângulo existente

entre dois vetores que representam usuários e itens ou usuários e usuários e retorna valores entre 1 (um) – máxima correlação – e 0 (zero) – mínima correlação.

Exemplo: Calcular a similaridade entre o perfil do usuário João com os valores [ 0, 1, 5, 9, 7 ] e o perfil do usuário Douglas com os valores de [ 9, 5, 1, 3, 7 ].

Cosseno

Baixa similaridade

Vizinhos mais próximosA técnica é implementada como

um algoritmo de classificação em que, para cada item/usuário não conhecido, verifica-se a similaridade entre ele e todos os outros itens/usuários da base, através de uma medida de distância, como: o Cosseno, a distância euclidiana, a manhatan, etc.

Predição de Avaliação

Predição de Avaliação Quem é semelhante a quem? Itens não avaliados pelos usuários; O sistema fará a previsão de qual avaliação o

usuário Valter dará para o livro 3.

Predição de Avaliação

Ana e Valter compartilham os mesmos gostos; Edson, Rosalina e Paula não compartilham - totalmente -

dos mesmos gostos que Ana e Valter (isso é visualizado pelas pontuações dadas)

Portanto, Ana influenciará na previsão da nota de Valter Cálculos matemáticos – que medem a similaridade - são

utilizadas para fazer a previsão

Avaliação do SistemaQuão boa é uma recomendação?Quanto o sistema está acertando?Ordenação das melhores

recomendações;Comparação entre previsto e real;Precisão: proporção dos realmente

bons entre os previstos como bons;Revocação: proporção dos realmente

bons entre todos os bons;Medida F: média harmônica de

precisão e revocação;

MétricasMétrica para analisar a precisão do

sistema em apresentar conteúdo relevante às expectativas do usuário. Precisão > = 70% indica que as recomendações sendo ofertadas são relevantes aos usuários.

* 100

MétricasMétrica para avaliar o grau de

relevância da lista de recomendação aos usuários.

Considera a ordem dos elementos na lista para calcular a eficiência das recomendações ofertadas.

O primeiro item da lista é de fato relevante para este usuário?

Se o usuário seleciona sempre a primeira recomendação da lista, então o sistema tem eficiência de 100%

Referências BibliográficasRICCI, F.; ROKACH, L.; SHAPIRA,

B.; KANTO, P. B. Recommender Systems Handbook. Editora Springer.

ZORZO, S. D.; GATTO, E. C. Relatório Técnico: Aplicando Filtragem Baseada em Conteúdo aos dados de TV fornecidos pelo IBOPE.