Aula 10

28/05/2021
Aprendizado de Máquina Tópicos do módulo

Raciocínio Baseado em Casos  Introdução
e Sistemas de Recomendação  Raciocínio baseado em casos
 Sistemas de recomendação
 Principais abordagens
 Filtragem por conteúdo
André Carlos Ponce de Leon F. de Carvalho
 Filtragem colaborativa
Ângelo Garangau Menezes
Daniela Lopes Freire
Marcelo Nascimento Pinto
Robson Parmezan Bonidia
© André de Carvalho - ICMC/USP 2
Motivação Motivação
 Em várias aplicações, precisamos:  Em várias aplicações, precisamos:
 Classificar dados: “Os problemas de ouvido do paciente  Classificar dados: “Os problemas de ouvido do paciente
são parecidos com este caso padrão de otite” são parecidos com este caso padrão de otite”
 Compilar soluções: “Os sintomas do coração do paciente
P1 podem ser explicados da mesma maneira que para o
Resolver (raciocinar) usando
 Compilar soluções: “Os sintomas do coração do paciente
P1 podem ser explicados da mesma maneira que para o
paciente P2 anterior” o que foi feito antes em um
paciente P2 anterior”
Estimar valores: Minha casa é como aquela vendida na Estimar valores: Minha casa é como aquela vendida na
caso (situação) semelhante
 
rua de baixo por R$ 2000.000, mas tem uma vista melhor” rua de baixo por R$ 2000.000, mas tem uma vista melhor”
 Justificar com precedentes: “Este caso de divórcio deve  Justificar com precedentes: “Este caso de divórcio deve
ser decidido da mesma forma que o caso João x Maria, onde ser decidido da mesma forma que o caso João x Maria, onde
a corte definiu que os filhos devem ficar com a esposa” a corte definiu que os filhos devem ficar com a esposa”
 Avaliar opções: “Se nós atacarmos as instalações de  Avaliar opções: “Se nós atacarmos as instalações de
mísseis cubanas, seria como em Pearl Harbor” mísseis cubanas, seria como em Pearl Harbor”
© André de Carvalho - ICMC/USP 3 © André de Carvalho - ICMC/USP 4
Sistemas baseados em regras Raciocínio baseado em casos

 Muito usados no passado
 Problema para construí-los:
 Dificuldade de especialistas em traduzir experiência a
regras
If ....
Then ... EXPERIÊNCIA BASE DE
Else...
EXPERIÊNCIAS
Mas não uma BD!
EXPERIÊNCIA REGRAS
1
28/05/2021
Raciocínio baseado em casos Como funciona um sistema de CBR?

 Case-based reasoning (CBR)  Resolve novos problemas adaptando soluções
 Mais que um sistema de gerenciamento de para problemas anteriores que são parecidos
banco de dados
 Sistemas de CBR procuram casos passados
semelhantes ao problema atual
 Buscam por eles em uma base de casos indexada
 Indexação e representação de casos facilitam 2 Nova solução
Solução
 Recuperação de casos relevantes e
 Comparação desses casos com o problema atual
Permitem ainda a adaptação de casos Problema

1 Novo problema
Passos de um sistema de CBR O que são casos?

 Apresentar situação atual  Trabalham com dois tipos de casos
 Recuperar casos similares da base de casos  Casos de entrada:
 Adaptar solução  Descrição de características (situações) de
problemas específicos
 Casos armazenados:
 Descrição de características (situações) de
problemas específicos
 Possuem situações anteriores de problemas
Que pacote de Casos semelhantes Adaptação específicos com soluções e resultados
viagem comprar?
Casos armazenados Sistemas de CBR

 Estrutura de dados com duas partes Caso 1
preenchidas Descrição do problema:
 Uma parte problema Novo Caso
Ambiente: praia
Duração: 7 dias
 Descreve o caso Região: SE
Custo máximo: 1000
 Sintomas Descrição do problema:
Ambiente: praia
 Usada para identificar o caso Duração: 5 dias
Solução: do problema
 Indexação e recuperação Região: NE
Local: Ubatuba
Custo máximo: 2000
 Uma parte solução Transporte: Ônibus
Acomodação: Hotel Uau
 Explica como este caso foi resolvido anteriormente Solução do problema:
Refeição: Bar do Zé
 De forma bem (ou mal) sucedida Local: ???
Transporte: ???
 Adaptada quando o caso é recuperado Acomodação: ???
Refeição: ???
2
28/05/2021
Sistemas de CBR Ciclo de um sistema de CBR

(Aamodt, 1993)
 Em geral, um sistema de CBR possui
cinco processos:
 Representação de casos
 Indexação de casos
 Armazenamento e recuperação de casos
 Adaptação de casos
 Avaliação e reparo de casos
Sistemas de CBR Sobrecarga de informação

 Recuperação de casos previamente
armazenados usa medida de similaridade
 Importante passo do ciclo RBC
 Similaridade é geralmente medida por
abordagens simples
 KNN
 Uma boa recuperação depende do uso de
uma função de similaridade adequada
 Frequentemente desconhecida https://pagefair.com/blog/2016/premium-publishers-trust-and-adblocking/ryans-loose-theory-of-tmi/
Sobrecarga de informação Netflix

 Torna impossível para uma pessoa processar  Fundada em 1997
toda a informação disponível  Net (internet) Flix (Flicks, sinônimo de filmes)
 Quanto mais opções nós temos, mais difícil fica  Inicio: alugava DVDs de filmes, 1 ano depois enviava
fazer boas escolhas DVDs pelo correio
 Além de levar mais tempo e depender de conhecimento  Vendia todos os filmes e shows de TV já feitos
no tema dos itens  2007
 Necessidade de alternativas automatizadas para  Netflix inicia mudança do seu modelo de negócios
filtrar a informação disponível  Assinantes pagavam mensalidade para ter acesso a
 Mantendo apenas o que for relevante, em quantidade vários filmes 24 horas por dia
gerenciável  Acesso por tvs conectadas, smartfones, tablets e videogames
 Sistemas de recomendação  Desenvolveu método de recomendação de filmes
Cinematch
3
28/05/2021
Prêmio Netflix Prêmio Netflix

 Outubro de 2006: lançou uma competição  4º Colocado: Time Simon Funk
com o desafio:  Submetida em julho de 2009
 Tornar seu algoritmo de recomendação 10% mais  Adaptou sua abordagem para decomposição de
preciso valores singulares incremental
 Reduzir RMSE=0.9525 para RMSE<0.857  Não aumentou precisão em mais de 10%
US$ 1.000.000,00 ao primeiro time que conseguir
Vencedor: Time BellKor Pragmatic Chaos


 Disponibilizou conjunto de dados com avaliações
de 17.770 filmes por 480.189 clientes  Fatoração de matrizes
 Vinha tentando por anos melhorar o sistema com  Time The Ensemble
recrutamento de cientistas renomados superou o resultado, mas 20 minutos depois
Sistemas de recomendação Matriz de avaliações

 Recommender systems (RSs)  Rating Matrix (RM)
 Permitem lidar com sobrecarga de informação  Matriz Usuário-Item
 U (usuários)
 Quando existe um grande número de opções para Itens (I)
 I (itens)
que uma pessoa (usuário) escolha uma delas
 Rij: avaliação do
Ajudando as pessoas a fazerem escolhas melhores 1 R11 R12 … R1m
 usuário i para o item j
 Assim como algoritmos de aprendizado de 2 R21
Usuários (U)
máquina (AM), RSs usam muito álgebra linear .
…
.
 Manipulação de matrizes .
Rn1 Rnm
 RSs usam matriz de avaliações n
1 2 … m
Matriz de avaliações Predição e recomendação

 Banco de dados com avaliações do  Recomendação podem se considerada uma
usuário atual e de outros usuários generalização da predição
 Conjunto de dados para tarefas preditivas
 Classificação e regressão
Item1 Item2 Item3 Item4 Item5
 Tabela atributo-valor
Eu 5 3 4 ? 7
 Possui atributos preditivos e um atributo alvo
Usuário1 3 1 2 3 3
 Em RSs, a predição de valores pode ser necessária
Usuário2 4 3 4 3 5
para qualquer coluna da matriz de avaliações
Usuário3 3 3 1 5 4
 Não existe distinção entre atributos preditivos e alvo
Usuário4 1 5 5 2 1
 Qualquer atributo pode ser preditivo ou alvo
 Generalização de tarefa preditiva
4
28/05/2021
Predição e recomendação Predição e recomendação

Tabela atributo-valor Matriz usuário-item
 Em geral, algoritmos de AM são aplicados a
tabelas atributo-valor completas
Dados de
treinamento
 Conjuntos de dados estruturados com todos os
valores preenchidos
Usuários  Caso existam valores ausentes
 Como alguns algoritmos de AM não funcionam com
Dados de
teste
valores ausentes, eles são estimados antes
 Matrizes de avaliações são geralmente
Itens
incompletas
Atributos Atributo
preditivos alvo  Com grande número de valores ausentes
Matriz de avaliações Matriz de avaliações

 Rating matrix (RM)  Banco de dados com avaliações do
 Matriz Usuário-Item usuário atual e de outros usuários
 U (usuários)
Itens (I)
 I (itens)
 Rij: avaliação do
1 R11  … R1m
usuário i para o item j Eu 5 3 4 ? 7
 Ausência de Usuário1 3 ? 2 3 3
2 
feedback:  Usuários (U) Usuário2 4 ? 4 3 ?
.
.
… Usuário3 3 3 ? 5 4
.
Usuário4 1 ? ? ? 1
n  Rnm
1 2 … m
Predição e recomendação Frequência de avaliações

Tabela atributo-valor Matriz usuário-item
Número de avaliações (Popularidade)
Dados de
treinamento
Usuários
Dados de
teste Cauda longa
Valor ausente
Itens Valore presente Índice do item ordenado por frequência decrescente

Atributos Atributo
preditivos alvo
5
28/05/2021
Sistemas de recomendação Sistemas de recomendação

 Recomendam itens a um usuário  Exemplos de produtos recomendados
 Acreditando que o usuário gostará
 Podem ser Livros, filmes, músicas, ...
 Usando preferências (feedbacks) de outros
usuários
 Associados ao conceito de serenpidade
 Serenpidity
 Recomendar-me alguma coisa que eu ainda não
saiba (ou tenha)
Principais abordagens de RSs Modelos básicos de RSs

 Filtragem baseada em conteúdo  Utilizam dois tipos de dados
 Usa informações sobre o próprio usuário para  Informações sobre usuários e itens
propor itens  Perfil de usuários
 Filtragem colaborativa (mais comuns)  Comportamento de compra do usuário
 Perfil de itens
 Usa escolhas de itens feitas por outro usuário para
 Palavras chave importantes
propor itens ao usuário atual
 Filtragem baseada em conteúdo
 Sistemas baseados em conhecimento  Interações usuário-item
 Usada para itens que não são frequentemente  Quanto um usuário gostou de um dado item
adquiridos (Ex.: imóveis, veículos e artigos de luxo)  Filtragem colaborativa e filtragem baseada em
conteúdo
 Sistemas híbridos
Filtragem baseada em conteúdo Filtragem baseada em conteúdo

 Content-based filtering ou content-based  Não precisa de informação sobre os itens
recommendation (CB)  Mas se tiver, ajuda
 Escolhido quando não é possível acessar as  Precisa:
avaliações de outros usuários  De alguma informação (conteúdo) sobre o item a
 O que impede o uso de filtragem colaborativa ser buscado
Ex.: gênero
Aprende preferências do usuário


 Um perfil do usuário descrevendo suas
 Para recomendar itens que combinam com elas
preferências
 Maioria dos métodos vem da área de recuperação  Ex.: do que ele gosta
de informação
 Primeiros sistemas eram baseados em keywords
6
28/05/2021
Filtragem baseada em conteúdo Filtragem baseada em conteúdo

 Exemplos de informações (conteúdos,  Permitem induzir um modelo preditivo para
atributos preditivos) sobre usuários e itens cada usuário usando como
 Perfil de filme: gênero, atores, diretor, ano  Atributos preditivos: descrições dos itens avaliados
 Perfil de usuário: idade, sexo, respostas a um pelo usuário
questionário  Atributo alvo: avaliação dada pelo usuário ou o
 Comportamento de compra do usuário comportamento do usuário para o item
 Na maioria das vezes usa também a RM  Modelo preditivo prediz se o usuário gostará
 Mas apenas as informações do usuário que está ou não de um novo item
fazendo a consulta  Que não foi avaliado por ele ou para o qual seu
comportamento de compra é desconhecido
Exemplo Pausa
 Sr. Riso gosta de assistir comédias
 Avaliou bem o filme O Máskara
 Avaliações de outros usuários não
estão disponíveis
 Mas, buscando filmes com descrições
(conteúdos) parecidas, o RS
recomendou o filme Sim Senhor
 Gênero, ator, idioma, duração
© André de Carvalho - ICMC/USP 39 André de Carvalho - ICMC/USP 40
Sistemas baseados em conhecimento Sistemas baseados em conhecimento

 Knowledge based systems (KBS)  Geralmente utilizados para itens raramente
 Recomendações são baseadas em requisitos comprados
explicitamente especificados pelo usuário  Podem não ter o número necessário de avaliações
Problema semelhante ao problema de cold start
 Ao invés do histórico de avaliações do usuário, e 
dados de compras  E quando podem ocorrer alterações nas preferências

 Usuários dizem seus interesses de forma interativa dos usuários para os itens
 Ex.: Modelo de carro pode evoluir ao longo dos anos,
 Que são combinados ao conhecimento do domínio da
levando a mudanças nas preferências dos usuários
aplicação
 Dados relacionados ao contexto podem ser usados  De acordo com a interface com usuário, pode ser:
 Ex.: Informação social, temporal, sobre localização, etc.  Sistema de recomendação baseada em restrições
 Considerados um tipo de filtragem por conteúdo  Sistema de recomendação baseada em casos
7
28/05/2021
Sistemas baseados em casos Exemplo

 Usuário especifica casos específicos (casos  José Boaviagem quer passar suas férias em
alvos) e aplica métricas de similaridade uma praia tranquila
 Para recuperar itens com valores similares aos de  Usa um RS para recomendar pacotes de viagem
itens do caso alvo  Usa como caso alvo o pacote que um amigo
 Métricas são definidas de acordo com o domínio comprou no ano passado, mas para praia badalada
da aplicação  Sistema retorna pacote de viagem para a praia
Formam o conhecimento de domínio usado pelo RS
Semprecheia

 Resultados retornados são geralmente usados  Não satisfeito, João muda partes do pacote
como novos alvos retornado, que usa como novo caso alvo para o RS
 Com modificações feitas pelo usuário
Filtragem colaborativa Filtragem colaborativa

 Collaborative filtering (CF)  Baseada em comportamento passado,
 Assume que um usuário U deve gostar de itens sem a criação de perfis explícitos
escolhidos por usuários semelhantes
 Com gostos parecidos
 Usa a matriz de avaliações
 Mas o usuário U não precisa conhecer os usuários com  Analisa relacionamentos entre usuários
gostos semelhantes
e interdependências entre itens
 Caso U queira comprar um novo produto
 Um RS deve encontrar usuários com preferências  Para identificar novas associações usuário-
semelhantes às de U em outros produtos item
 E recomendar, a U, um produto que eles gostam
Filtragem colaborativa Feedback explícito

 O nome vem da possibilidade de  Usuários atribuem valores para avaliar itens,
utilizar avaliações de outros usuários que indicam preferências a itens
sobre vários itens  Representa as reais preferências dos usuários
 Ex. 1: nota de 1 a 10 a um produto da amazon
 Avaliações podem ser entendidas como  Ex. 2: like ( ) ou dislike ( ) um vídeo no YouTube
feedback  Maior dificuldade para a coleta das primeiras
 Explícito relações
 Implícito  Problema de cold start
 Com frequência, não é dado
8
28/05/2021
Formas de feedback explícito Feedback implícito

 Como o usuário pode avaliar cada item  Coletado a partir do comportamento do
 Valores binários: usuário
Se um item é positivo (bom) ou negativo (ruim)
Ex.: número de clicks em links retornados


 Valores escalares em uma dada faixa:
 A nota que o usuário dá a um item (Ex.: 1 a 5)
por uma busca, tempo gasto em um site
 Valores ordinais:  Coleta de dados é não intrusiva
O que o usuário acha de um determinado item (Ex.:
Permite coleta de um volume de dados

muito, razoável, pouco) 
 Valor unário grande e diverso

 Se gostou ou comprou um item (Ex.: usuário pode deixar
o item sem avaliação)
Exemplo Abordagens clássicas

 Speedy quer comprar um carro novo, mas  Entrada:
não sabe qual  Matriz de avaliações
 Speedy vai a uma concessionária e o vendedor, o
Falabela tem uma conversa muito boa  Possíveis saídas
 Speedy se abre e começa a falar sobre ele,  O valor numérico predito
sobre o que ele gosta e sobre o que não gosta  Indicando o quanto o usuário vai gostar ou não
 Falabela se lembra de um cliente anterior com de um dado item
gostos parecidos aos de Speedy  Um lista com os N itens mais
 Que gostou muito do carro que comprou
recomendados (Top-N)
 Ele então recomenda o mesmo carro a Speedy
Filtragem colaborativa Métodos baseados em modelos

 Utiliza basicamente dois tipos de  Modelos preditivos induzidos por algoritmos
métodos de aprendizado de máquina
Árvores de decisão
Métodos baseados em modelos


 Redes profundas
 Algoritmos de AM
 Modelos de fatores latentes
 Métodos baseados em memória
 Latent fator models (LFMs)
 Vizinhança
 Definem avaliações a partir de itens e de usuários
 Cada fator equivale a uma característica
 Vários dos métodos funcionam bem para
matrizes esparsas
9
28/05/2021
Métodos baseados em memória Métodos baseados em usuário

 Usam algoritmos baseados em vizinhança  Recomendam a um usuário U uma avaliação
 Primeiras versões de CF para um item alvo I
 Baseiam-se nas seguintes premissas:  Usa avaliações feitas por um grupo de usuários
semelhantes a U para itens diferentes de I
 Usuários semelhantes avaliam itens de forma
Usuários são semelhantes quando possuem avaliações
semelhante 
semelhantes para os demais itens

 Preferências de usuários se mantêm estável e  Avaliação recomendada pode ser média
consistente ao longo do tempo ponderada das avaliações destes usuários
 Podem ser:  As avaliações são preditas usando as avaliações
 Baseados em usuário (usuário-usuário) dos usuários vizinhos
 Baseados em item (item-item)
Métodos baseados em usuário Métodos baseados em usuário

 Usam a similaridade entre usuários para  Usa a similaridade entre itens para predizer
predizer avaliações avaliações
 Ex.: Dada a matriz de avaliações abaixo, predizer  Ex.: Dada a matriz de avaliações abaixo, predizer
minha avaliação para o produto 5 minha avaliação para o produto 5
Item1 Item2 Item3 Item4 Item5 Item1 Item2 Item3 Item4 Item5
Eu 5 3 4 4 ? Eu 5 3 4 4 ?
Usuário1 3 1 2 3 3 Usuário1 3 1 2 3 3
Usuário2 4 3 4 3 5 Usuário2 4 3 4 3 5
Usuário3 3 3 1 5 4 Usuário3 3 3 1 5 4
Usuário4 1 5 5 2 1 Usuário4 1 5 5 2 1
Métodos baseados em usuário Métodos baseados em item

 Usa a similaridade entre itens para predizer  Recomendam a um usuário U uma avaliação
avaliações para um item alvo I
 Ex.: Dada a matriz de avaliações abaixo, predizer  Usa avaliações feitas por usuários diferentes de U
minha avaliação para o produto 5 para um grupo de itens semelhantes a I
 Itens são semelhantes quando possuem avaliações
Item1 Item2 Item3 Item4 Item5 semelhantes para os demais usuários
Eu 5 3 4 4 4,5
 Avaliação recomendada pode ser média
Usuário1 3 1 2 3 3
ponderada das avaliações destes itens
Usuário2 4 3 4 3 5
 As avaliações são preditas usando as avaliações
Usuário3 3 3 1 5 4
dos itens vizinhos
Usuário4 1 5 5 2 1
10
28/05/2021
Métodos baseados em item Métodos baseados em item

 Usam a similaridade entre itens para predizer  Usa a similaridade entre itens para predizer
avaliações avaliações
 Ex.: Dada a matriz de avaliações abaixo, predizer  Ex.: Dada a matriz de avaliações abaixo, predizer
minha avaliação para o produto 5 minha avaliação para o produto 5
Item1 Item2 Item3 Item4 Item5 Item1 Item2 Item3 Item4 Item5
Eu 5 3 4 4 ? Eu 5 3 4 4 ?
Usuário1 3 1 2 3 3 Usuário1 3 1 2 3 3
Usuário2 4 3 4 3 5 Usuário2 4 3 4 3 5
Usuário3 3 3 1 5 4 Usuário3 3 3 1 5 4
Usuário4 1 5 5 2 1 Usuário4 1 5 5 2 1
Métodos baseados em item Usuário-usuário X item-item

 Usa a similaridade entre itens para predizer
avaliações
 Ex.: Dada a matriz de avaliações abaixo, predizer Seleciona os usuários Seleciona os itens mais
minha avaliação para o produto 5 mais semelhantes semelhantes

Eu 5 3 4 4 4,5
Faz recomendações semelhantes Faz recomendações semelhantes
Usuário1 3 1 2 3 3 aos dos itens vizinhos
aos dos usuários vizinhos
Usuário2 4 3 4 3 5
Usuário3 3 3 1 5 4
Usuário4 1 5 5 2 1
Métodos baseados em memória Métodos baseados em memória

 Como medir a similaridade?  Vantagem
 Usar qualquer medida de similaridade vista  Por serem simples, são de fácil
na aula anterior implementação e interpretação
 Ex.: correlação de Pearson  Desvantagem
 Não funcionam bem com matrizes de
avaliações muito esparsas
11
28/05/2021
Filtragem colaborativa Modelos de fatores latentes

 Algoritmos mais usados são baseados em:  Latent factor models (LFM)
Vizinhos mais próximos

 Identificam relacionamento entre itens ou entre usuários

 Buscam explicar as notas deixando
 Fatoração de matrizes claras características de itens e usuários
 Definem notas a partir de características de itens e de  Fatores (aspectos) são inferidos de
usuários
padrões de notas
 Cada fator equivale a uma característica
 Aprendizado profundo  Conseguem capturar padrões que outros

modelos não capturam
 Bons para análise semântica
Modelos de fatores latentes Exemplo

 Prêmio Netflix  Caso os itens sejam filmes:
 Superou técnicas clássicas com as  N fatores são usados para caracterizar
baseadas em vizinhança cada filme (item)
 Permitem incorporar informações  Fatores podem medir aspectos como:
adicionais  Quantidade de cenas de violência em um filme
 O quanto de comédia é o filme
 Feedback implícito
 Cada filme é representado por seus valores
 Efeitos temporais para os fatores
 Níveis de confiança  Ex.: filme A tem pouca violência e é 70% comédia
Exemplo Fatoração de matrizes

 Para cada usuário, cada fator mede  Alguns dos mais bem sucedidos LFM são
correspondência entre: baseados em fatoração de RM
 Nota (gosto) do usuário para o fator e a  Caracteriza itens e usuários por vetores de
nota de cada filme para esse fator fatores
 Ex. Usuário gosta de filme com poucas cenas  Extraídos dos padrões de notas de itens
de violência e filme A tem pouca violência  Correspondência alto entre fatores de itens e de
usuários leva a uma recomendação
 Produto interno pode medir similaridade
entre um filme e o gosto de um usuário  Permitem combinar boa escalabilidade com
alta acurácia preditiva
 Facilitam modelagem de situações reais
12
28/05/2021
Fatoração de matrizes Colaboração X conteúdo

 Permite incluir informação adicional
 Quando feedback explícito não esta
disponível, preferências dos usuários
podem ser inferidas por feedback implícito
 Baseada no comportamento do usuário
 Ex.: histórico de compras, histórico de navegação,
padrões de busca ou movimentos do mouse
 Geralmente denota presença ou ausência de
um evento
Problema de cold start Problema de cold start

 Não existem avaliações suficientes para  Similar ao que ocorria ao ligar (no passado)
o processo de recomendação carro com motor frio
Variações
Número de avaliações inicialmente


 Cold start item
disponíveis é pequeno  Cold start do usuário
Afeta as abordagens de formas distintas
 Vários métodos têm sido propostos para 
CF para novos usuários e itens

lidar com cold start

 CB apenas para novos usuários

 KBS lidam melhor, por não usar avaliações
Sistemas híbridos Referências

 Combinam aspectos positivos de
diferentes abordagens
 Pega o melhor que tem nelas
 Permite criar sistemas mais robustos
em uma ampla variedade de situações
 Pode ter diferentes estruturas
 Paralela
Pipeline
https://www.springer.com/gp/book/9783319296579
 https://www.cambridge.org/core/books/recommender-systems/C6471B59388D8A9F684C49C198691B53
13
28/05/2021
Conclusão Perguntas
 Métodos baseados em proximidade
 Raciocínio baseado em casos
 Sistemas de recomendação
 Principais abordagens
 Filtragem por conteúdo
 Filtragem colaborativa
 Exemplos
14

Aula 10

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 10

Enviado por

Direitos autorais:

Formatos disponíveis

28/05/2021

Aprendizado de Máquina Tópicos do módulo

Sistemas baseados em regras Raciocínio baseado em casos

Raciocínio baseado em casos Como funciona um sistema de CBR?

© André de Carvalho - ICMC/USP 7 © André de Carvalho - ICMC/USP 8

Passos de um sistema de CBR O que são casos?

Casos armazenados Sistemas de CBR

© André de Carvalho - ICMC/USP 11 © André de Carvalho - ICMC/USP 12

Sistemas de CBR Ciclo de um sistema de CBR

© André de Carvalho - ICMC/USP 13 © André de Carvalho - ICMC/USP 14

Sistemas de CBR Sobrecarga de informação

© André de Carvalho - ICMC/USP 15 © André de Carvalho - ICMC/USP 16

Sobrecarga de informação Netflix

Prêmio Netflix Prêmio Netflix

© André de Carvalho - ICMC/USP 19 © André de Carvalho - ICMC/USP 20

Sistemas de recomendação Matriz de avaliações

© André de Carvalho - ICMC/USP 21 © André de Carvalho - ICMC/USP 22

Matriz de avaliações Predição e recomendação

Predição e recomendação Predição e recomendação

© André de Carvalho - ICMC/USP 25 © André de Carvalho - ICMC/USP 26

Matriz de avaliações Matriz de avaliações

© André de Carvalho - ICMC/USP 27 © André de Carvalho - ICMC/USP 28

Predição e recomendação Frequência de avaliações

Itens Valore presente Índice do item ordenado por frequência decrescente

© André de Carvalho - ICMC/USP 29 © André de Carvalho - ICMC/USP 30

Sistemas de recomendação Sistemas de recomendação

© André de Carvalho - ICMC/USP 31 © André de Carvalho - ICMC/USP 32

Principais abordagens de RSs Modelos básicos de RSs

Filtragem baseada em conteúdo Filtragem baseada em conteúdo

Filtragem baseada em conteúdo Filtragem baseada em conteúdo

© André de Carvalho - ICMC/USP 39 André de Carvalho - ICMC/USP 40

Sistemas baseados em conhecimento Sistemas baseados em conhecimento

dados de compras  E quando podem ocorrer alterações nas preferências

Sistemas baseados em casos Exemplo

Filtragem colaborativa Filtragem colaborativa

© André de Carvalho - ICMC/USP 45 © André de Carvalho - ICMC/USP 46

Filtragem colaborativa Feedback explícito

Formas de feedback explícito Feedback implícito

muito, razoável, pouco) 

 Valor unário grande e diverso

Exemplo Abordagens clássicas

© André de Carvalho - ICMC/USP 51 © André de Carvalho - ICMC/USP 52

Filtragem colaborativa Métodos baseados em modelos

Métodos baseados em memória Métodos baseados em usuário

semelhantes para os demais itens

Métodos baseados em usuário Métodos baseados em usuário

© André de Carvalho - ICMC/USP 57 © André de Carvalho - ICMC/USP 58

Métodos baseados em usuário Métodos baseados em item

© André de Carvalho - ICMC/USP 59 © André de Carvalho - ICMC/USP 60

Métodos baseados em item Métodos baseados em item

© André de Carvalho - ICMC/USP 61 © André de Carvalho - ICMC/USP 62

Métodos baseados em item Usuário-usuário X item-item

Item1 Item2 Item3 Item4 Item5

© André de Carvalho - ICMC/USP 63 © André de Carvalho - ICMC/USP 64

Métodos baseados em memória Métodos baseados em memória

© André de Carvalho - ICMC/USP 65 © André de Carvalho - ICMC/USP 66

Filtragem colaborativa Modelos de fatores latentes

 Identificam relacionamento entre itens ou entre usuários

 Aprendizado profundo  Conseguem capturar padrões que outros

© André de Carvalho - ICMC/USP 67 © André de Carvalho - ICMC/USP 68

Modelos de fatores latentes Exemplo

© André de Carvalho - ICMC/USP 69 © André de Carvalho - ICMC/USP 70

Exemplo Fatoração de matrizes