Upload
jonathas-magalhaes
View
18
Download
3
Embed Size (px)
Citation preview
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
TIPS - GRUPO DE TECNOLOGIAS INTELIGENTES
PERSONALIZADAS E SOCIAIS
Sistemas de Recomendacao:
Conceitos, Tecnicas, Ferramentas e Aplicacoes
Jonathas Magalhaes
UFCG
Magalhaes, J.J. CAIITE 2014 1
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sumario
1 Introducao
2 Conceitos e Aplicacoes
3 Tecnicas e Ferramentas
4 Desafios e Tendencias
5 O que temos feito?
Magalhaes, J.J. CAIITE 2014 2
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Problema da Sobrecarga de Informacao
Magalhaes, J.J. CAIITE 2014 3
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Problema da Sobrecarga de Informacao
Advento da Web 2.0;
Usuarios passaram de consumidores para produtores;
Volume de itens cresceu astronomicamente;
Dificuldade em encontrar itens relevantes em tempo habil.
Magalhaes, J.J. CAIITE 2014 4
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Vida em Sociedade
As pessoas vivem em sociedade.
Magalhaes, J.J. CAIITE 2014 5
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Pessoas pedem Sugestoes
As pessoas costumam pedir conselhos sobre diversos assuntos.
Magalhaes, J.J. CAIITE 2014 6
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Sugestao de Musica
Diz um bom album aı.
Magalhaes, J.J. CAIITE 2014 7
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Sugestao de Leitura
Diz um bom livro aı.
Magalhaes, J.J. CAIITE 2014 8
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Modelar o Comportamento
As pessoas seguem padroes.
Magalhaes, J.J. CAIITE 2014 9
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Padrao Alimentıcio
Alimentacao.
Magalhaes, J.J. CAIITE 2014 10
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Padrao de Lazer
Viagens.
Magalhaes, J.J. CAIITE 2014 11
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Intuicao
Estamos enfrentando a sobrecarga de informacao;
As pessoas seguem padroes;
As pessoas pedem sugestoes.
Magalhaes, J.J. CAIITE 2014 12
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Sobrecarga de InformacaoSugestao de ItensDescoberta de Padroes
Intuicao
Entao, por que nao unir as duas coisas para combater oproblema?
Podemos aprender os padroes das pessoas para poder sugerirnovos itens.
Magalhaes, J.J. CAIITE 2014 13
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tarefa de um Sistema de RecomendacaoFuncionamentoConceitos BasicosApresentando a RecomendacaoAplicacoes
Sistemas de Recomendacao
Sistemas de Recomendacao podem amenizar o problema dasobrecarga de informacao;
Podem ajudar os usuarios a encontrar itens relevantes.
Magalhaes, J.J. CAIITE 2014 14
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tarefa de um Sistema de RecomendacaoFuncionamentoConceitos BasicosApresentando a RecomendacaoAplicacoes
Funcionamento Basico
Magalhaes, J.J. CAIITE 2014 15
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tarefa de um Sistema de RecomendacaoFuncionamentoConceitos BasicosApresentando a RecomendacaoAplicacoes
Conceitos Basicos
Avaliacao (Rating) – expressao da preferencia;
Avaliacao explıcita (Explicit rating) – direto do usuario;Avaliacao implıcita (Implicit rating) – inferida pela atividade dousuario.
Perfil de usuario (User profile) – representa as preferencias dousuario.
Perfil explıcito (Explicit profile) – direto do usuario;Perfil implıcito (Implicit profile) – inferido pela atividade dousuario.
Magalhaes, J.J. CAIITE 2014 16
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tarefa de um Sistema de RecomendacaoFuncionamentoConceitos BasicosApresentando a RecomendacaoAplicacoes
Conceitos Basicos
Predicao (Prediction) – estimativa da preferencia;
Recomendacao (Recommendation) – selecao itens para o usuario;
Conteudo (Content) – atributos, texto, etc.;
Colaborativo (Collaborative) – utilizar dados de outros usuarios;
Personalizado (Personalized) – recomendacao muda de acordocom o perfil de usuario.
Magalhaes, J.J. CAIITE 2014 17
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tarefa de um Sistema de RecomendacaoFuncionamentoConceitos BasicosApresentando a RecomendacaoAplicacoes
Apresentando a Recomendacao
Interfaces de Recomendacao
Listas de sugestoes, “top-n”, ofertas e promocoes.
Interfaces de Predicao
Avaliacao de candidatos, predicao de avaliacao.
Magalhaes, J.J. CAIITE 2014 18
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tarefa de um Sistema de RecomendacaoFuncionamentoConceitos BasicosApresentando a RecomendacaoAplicacoes
Amazon
Magalhaes, J.J. CAIITE 2014 19
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tarefa de um Sistema de RecomendacaoFuncionamentoConceitos BasicosApresentando a RecomendacaoAplicacoes
Submarino
Magalhaes, J.J. CAIITE 2014 20
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tarefa de um Sistema de RecomendacaoFuncionamentoConceitos BasicosApresentando a RecomendacaoAplicacoes
Movielens
Magalhaes, J.J. CAIITE 2014 21
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tarefa de um Sistema de RecomendacaoFuncionamentoConceitos BasicosApresentando a RecomendacaoAplicacoes
YouTube
Magalhaes, J.J. CAIITE 2014 22
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tarefa de um Sistema de RecomendacaoFuncionamentoConceitos BasicosApresentando a RecomendacaoAplicacoes
RecSalt
Magalhaes, J.J. CAIITE 2014 23
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Classificacao de Sistemas de Recomendacao
Os Sistemas de Recomendacao podem ser classificados em:
Filtragem Colaborativa;Filtragem Baseada em Conteudo;Abordagens Hıbridas.
Magalhaes, J.J. CAIITE 2014 24
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Filtragem Colaborativa
O sistema identifica usuarios com gostos similares ao usuarioativo e recomenda os itens que eles gostaram.
Magalhaes, J.J. CAIITE 2014 25
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Filtragem Colaborativa
Table: Exemplo de uma matriz R|U|×|D| de avaliacoes de um SR.
R|U|×|D| d1 d2 d3 d4 ... d|D|
u1 2 3 ∅ ∅ ... 4
u2 1 ∅ 2 ∅ ... 5
... ... ... ... ... ... ...
u|U| ∅ 1 ∅ 3 ... 2
Magalhaes, J.J. CAIITE 2014 26
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Filtragem Colaborativa
Existem dois tipos de Filtragem Colaborativa:Baseados em memoria;
Ex.: Algoritmo baseado em vizinhanca.
Baseados em modelo.
Ex.: Fatoracao de Matrizes.
Magalhaes, J.J. CAIITE 2014 27
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Algoritmo Baseado em Vizinhanca
Passo 1: Calcular a similaridade do usuario ativo em relacao aosoutros usuarios.
Nesse sentido pode ser utilizada a similaridade do cosseno:
sim(u, v) = cos(~u, ~v) =~u · ~v
‖ ~u ‖ × ‖ ~v ‖=
∑|D|i=1
ru,i rv ,i√
∑|D|i=1
r2u,i
√
∑|D|i=1
r2v ,i
;
(1)
‖ · ‖ denota a norma Euclidiana padrao;cos(~u, ~v) retorna um numero real no intervalo [0, 1].
Magalhaes, J.J. CAIITE 2014 28
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Algoritmo Baseado em Vizinhanca
Passo 2: Selecionar o subconjunto de usuarios que sera utilizado comoconjunto preditor.
Vu sera composto pelos k vizinhos mais proximos ao usuarioativo u:
Vu =k
argmaxv∈U−{u}
sim(u, v), (2)
sim(u, v) e a funcao de similaridade apresentada na Eq. 1.
Magalhaes, J.J. CAIITE 2014 29
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Algoritmo Baseado em Vizinhanca
Passo 3: Computar a predicao baseando-se numa combinacao dasavaliacoes do conjunto preditor.
Nesse intuito pode ser utilizada a media das avaliacoes doconjunto Vu:
util(u, d) =1
|Vu|
∑
v∈Vu
r(v , d). (3)
Magalhaes, J.J. CAIITE 2014 30
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Filtragem Colaborativa
util(Jonathas, Estrelas) =?
Usuarios Vingadores Rambo Karate Eclipse Estrelas
Jonathas 4 4 5 1 ∅
Rodolfo ∅ 1 3 5 5
Romulo 3 4 ∅ 1 2
Elthon 4 5 3 ∅ 1
Calculando similaridade, temos que:
sim(Jonathas, Rodolfo) = cos((4, 5, 1), (1, 3, 5)) = 0.62;sim(Jonathas, Romulo) = cos((4, 4, 1), (3, 3, 1)) = 0.99;sim(Jonathas, Elthon) = cos((4, 4, 5), (4, 5, 3)) = 0.95.
Magalhaes, J.J. CAIITE 2014 31
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Filtragem Colaborativa
util(Jonathas, Estrelas) = 1.5
Usuarios Vingadores Rambo Karate Eclipse Estrelas
Jonathas 4 4 5 1 ∅
Rodolfo ∅ 1 3 5 5
Romulo 3 4 ∅ 1 2
Elthon 4 5 3 ∅ 1
Para k = 2, VJonathas = {Romulo, Elthon}, entao:
util(Jonathas, Estrelas) = (1+2)/2 = 1.5
Magalhaes, J.J. CAIITE 2014 32
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Limitacoes da Filtragem Colaborativa
Problema do novo item;
Avaliacoes esparsas;
Preferencias peculiares.
Magalhaes, J.J. CAIITE 2014 33
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Filtragem Baseada em Conteudo
Recomenda-se itens baseando-se no conteudo previamenteanalisado pelo usuario;
Um fator primordial e a representacao do espaco de itens e perfisde usuario;
A estrategia mais utilizada e o modelo vetorial.
Magalhaes, J.J. CAIITE 2014 34
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Modelo Vetorial
Modelo herdado da area de Recuperacao de Informacao;
Cada documento e representado por um vetor de pesos;
Cada peso desse vetor sera referente a importancia de um termo;
A importancia e computada por meio de analise textual.
Magalhaes, J.J. CAIITE 2014 35
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Modelo Vetorial
Dado um conjunto de termos T = {t1, ..., t|T |};
Dado um conjunto de itens D = {d1, ..., d|D|};
Cada item d ∈ D e representado pelo vetor ~d = (wd,1, ...,wd,|T |);
O peso wd,t significa a importancia do termo t ∈ T para o itemd ∈ D.
Magalhaes, J.J. CAIITE 2014 36
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
TF-IDF
TF-IDF Frequencia do Termo/Frequencia Inversa do Documento(do ingles, Term Frequency/Inverse Document Frequency ;
TF-IDF e uma das formas mais conhecidas de computar o pesopara indexar os documentos;
Magalhaes, J.J. CAIITE 2014 37
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Calculando o TF-IDF
Primeiro, calcula-se o TF:
TF(d , t) =q(d , t)
q(d ,T ), (4)
q(d , t) e a quantidade de vezes que o termo t aparece no item d ;q(d ,T ) representa o numero total de termos presentes em d
Magalhaes, J.J. CAIITE 2014 38
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Calculando o TF-IDF
Segundo, calcula-se o IDF:
IDF(D, t) = log
(
|D|
|Dt |
)
, (5)
Dt ⊆ D e o conjunto de itens cujo termo t ocorre pelo menosuma vez.
Magalhaes, J.J. CAIITE 2014 39
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Calculando o TF-IDF
Por fim, o TF-IDF(D, d , t) e dado pelo produto entre o TF e oIDF:
wd,t = TF-IDF(D, d , t) = TF(d , t) ∗ IDF(D, t). (6)
Magalhaes, J.J. CAIITE 2014 40
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Perfil de Usuario
O perfil de usuario e obtido por meio de heurısticas que analisamos itens previamente avaliados pelo usuario;
O perfil resultante e representado por:
~pu = (wu,1, ...,wu,|T |), (7)
wu,i indica a importancia do termo ti para o usuario u.
Magalhaes, J.J. CAIITE 2014 41
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Similaridade entre Usuarios e Itens
Perfis dos documentos e usuario computados;
A utilidade de um documento d para o usuario u e computadapela similaridade entre o perfil do documento ~d e o perfil dousuario ~u
Geralmente e utilizada a similaridade do cosseno Eq. 1.
Magalhaes, J.J. CAIITE 2014 42
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Filtragem Baseada em Conteudo
Filmes Porrada Acao Aventura Romance Lobos
Vingadores 1 1 1 0 0
XRambo 1 1 1 0 0
Karate 1 1 1 0 0
Estrelas 0 0 0 1 0
XEclipse 0 0 0 1 1
Lua 0 0 0 1 1
Supondo que assisti:
Rambo:4;Eclipse:1.
Magalhaes, J.J. CAIITE 2014 43
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Filtragem Baseada em Conteudo
Usuario Porrada Acao Aventura Romance Lobos
Jonathas 1 1 1 0.25 0.25
Filmes Porrada Acao Aventura Romance Lobos sim
Vingadores 1 1 1 0 0 0.97
XRambo 1 1 1 0 0 –
Karate 1 1 1 0 0 0.95
Estrelas 0 0 0 1 0 0.14
XEclipse 0 0 0 1 1 –
Lua 0 0 0 1 1 0.20
Recomendados:
Vingadores e Karate.
Magalhaes, J.J. CAIITE 2014 44
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Limitacoes da Filtragem Baseada em Conteudo
Analise de conteudo limitada;
Super-especializacao;
O problema do novo usuario;
Atualizacao de perfil.
Magalhaes, J.J. CAIITE 2014 45
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Precisao e Cobertura
Precisao e Cobertura
Cobertura = A/(A+D);
Precisao = A/(A+B).
Magalhaes, J.J. CAIITE 2014 46
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Filtragem ColaborativaFiltragem Baseada em ConteudoAvaliacao de Sistemas de RecomendacaoFerramentas para Sistemas de Recomendacao
Ferramentas para Sistemas de Recomendacao
Lucene – http://lucene.apache.org/core/;
Natural Language Toolkit (NLTK) – http://www.nltk.org/;
The LensKit Recommender Toolkit (LensKit) –http://lenskit.grouplens.org/;
Apache Mahout – https://mahout.apache.org/.
Magalhaes, J.J. CAIITE 2014 47
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Desafios
Coletar opinioes e dados de experiencia;
Descobrir dados relevantes para um determinado fim;
Apresentar os dados de forma util.
Magalhaes, J.J. CAIITE 2014 48
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Tendencias
Utilizacao de multi-criterios;
Integracao de multiplas fontes de dados;
Reducao de Dimensionalidade;
Combinacao de multiplos Sistemas de Recomendacao;
Utilizacao de informacao social;
Recomendacao de novidade.
Magalhaes, J.J. CAIITE 2014 49
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Recomendacao de Artigos Cientıficos
O que temos feito?
Recomendacao de Artigos Cientıficos;
Recomendacao de Especialistas;
Participacao no 2014 RecSysChallenge.
Magalhaes, J.J. CAIITE 2014 50
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Recomendacao de Artigos Cientıficos
Recomendacao de Artigos Cientıficos
Desenvolvemos um Sistema de Recomendacao Personalizada deArtigos Cientıficos;
O Sistema de Recomendacao constroi o perfil de usuarioutilizando informacao do:
Lattes;Mendeley;LinkedIn.
Magalhaes, J.J. CAIITE 2014 51
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Recomendacao de Artigos Cientıficos
O que e Lattes?
Magalhaes, J.J. CAIITE 2014 52
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Recomendacao de Artigos Cientıficos
O que e Lattes?
Magalhaes, J.J. CAIITE 2014 53
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Recomendacao de Artigos Cientıficos
O que e Capturado de cada Fonte?
Lattes
Resume;Formacao Academica;Projetos;Producao Bibliografica.
Mendeley
Artigos na livraria do usuario.
Habilidades.
Magalhaes, J.J. CAIITE 2014 54
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Recomendacao de Artigos Cientıficos
RecSalt - www.recsalt.com
RecSalt e uma ferramenta que ajuda aos seus usuariosrecomendando artigos;
Foi desenvolvida utilizando o framework Django;
Avaliacao realizada com 30 usuarios e 50 artigos;
Foram obtidos bons resultados com o Lattes;
A abordagem de integracao de dados do Mendeley e LinkedInnao obteve bons resultados.
Magalhaes, J.J. CAIITE 2014 55
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Recomendacao de Artigos Cientıficos
RecSalt - www.recsalt.com
Magalhaes, J.J. CAIITE 2014 56
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Recomendacao de Artigos Cientıficos
Desafios
Como validar em larga escala?
Como expandir nossa abordagem para pesquisadores naoBrasileiros?
Como incorporar dados sobre o artigo no modelo?
Como lidar com questoes de desempenho?
Magalhaes, J.J. CAIITE 2014 57
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Recomendacao de Artigos Cientıficos
Proximos Passos
Novidade na recomendacao;
Incorporar informacao social.
Magalhaes, J.J. CAIITE 2014 58
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Quero Mais!!!
Magalhaes, J.J. CAIITE 2014 59
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Grupos de Pesquisa
TIPS – UFAL;
LIA, SIMBAD – UFCG;
MADMUC – Saskatchewan - Canada;
GroupLens – Minnesota - EUA;
PAWS – Pittsburgh - EUA.
Magalhaes, J.J. CAIITE 2014 60
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Artigos
Adomavicius e Tuzhilin 2005 – Toward the Next Generation ofRecommender Systems: A Survey of the State-of-the-art andPossible Extensions;
Bobadilla et al. 2013 – Recommender Systems Survey.
Magalhaes, J.J. CAIITE 2014 61
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Conferencias
RecSys – ACM Recommender Systems;
UMAP – International Conference on User Modeling, Adaptionand Personalization;
CSCW – ACM Conference on Computer Supported CooperativeWork;
ACM/WWW – International World Wide Web Conference;
ICCSA – International Conference on Computational Science andits Applications.
Magalhaes, J.J. CAIITE 2014 62
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Cursos
Introduction to Recommender Systemshttps://www.coursera.org/course/recsys.
Magalhaes, J.J. CAIITE 2014 63
IntroducaoConceitos e AplicacoesTecnicas e FerramentasDesafios e Tendencias
O que temos feito?
Obrigado!!
Magalhaes, J.J. CAIITE 2014 64