Achamos que você pode gostar dessa palestra: Uma introdução a Sistemas de Recomendação - Python Brasil 2018

Você já se perguntou como a Netflix sabe o que você deseja ver? Ou como a Amazon aumentou 29% de suas vendas depois de começar a fazer uso de recomendações? No final desta palestra, você descobrirá mais sobre o universo da Recomendação, por que é tão relevante hoje em dia e o que é necessário para construir seu próprio sistema.

Vídeos:
- https://youtu.be/aXeHbJuDf3k
- https://youtu.be/Yqb7gRu0F0U

Apresentado em:

- Mulheres de Produto 2019
- Python Brasil 2018
- PyData Porto Alegre

Transcript

1. ACHAMOS QUE VOCÊ
   PODE GOSTAR
   DESSA PALESTRA:
   BETINA COSTA
   UMA INTRODUÇÃO A SISTEMAS DE RECOMENDAÇÃO
   

   View Slide

2. QUEM SOU EU?
   Engenheira de Software
   Estudante de Filosofia
   Apaixonada por Python
   Cinéfila
   Pole dancer
   Machine Learning Padawan
   

   View Slide

3. BEM VINDAS A
   INTERNET!
   C O N T E Ú D O R E L E V A N T E M E M E S M E M E S R E L E V A N T E S
   

   View Slide

4. RECOMENDAÇÃO
   Resolve Overload de
   Informação
   Preve itens de interesse da
   usuária
   Filtra informações relevantes
   SOLUÇÃO
   

   View Slide

5. 75%
   DO CONTEÚDO
   ASSISTIDO PROVEM DE
   RECOMENDAÇÃO
   

   View Slide

6. 29%
   Resultando em um crescimento de $9,9 para $12,8 milhões em 3 meses
   DE AUMENTO DE
   FATURAMENTO
   

   View Slide

7. ETAPAS DE UM SISTEMA
   DE RECOMENDAÇÃO
   CONSTRUINDO UM SISTEMA DE RECOMENDAÇÃO
   

   View Slide

8. COLETA DE INFORMAÇÃO
   Coleta de informações relevantes sobre a usuária
   Construção do perfil/modelo da usuária
   Feedback implícito e Explícito
   CREATIVE CAREER
   

   View Slide

9. FEEDBACK EXPLÍCITO
   Necessita de uma ação direta da
   usuária
   Mais preciso
   

   View Slide

10. FEEDBACK IMPLÍCITO
    Monitora o comportamento da
    usuária
    Menos preciso
    

    View Slide

11. FEEDBACK HÍBRIDO
    Explícito + Implícito
    

    View Slide

12. FASE DE
    APRENDIZADO
    Nessa fase é onde vamos
    aplicar um algoritmo de
    aprendizado para explorar e
    filtrar todas essas
    informações coletadas.
    

    View Slide

13. FASE DE
    RECOMENDAÇÃO
    É onde recomendamos ou
    prevemos que tipos de itens
    ou conteúdos que a usuária
    deve preferir.
    

    View Slide

14. ALGORITMOS DE
    RECOMENDAÇÃO
    APLICANDO AS ETAPAS
    

    View Slide

15. FILTRO COLABORATIVO
    Independente de Domínio;
    Matriz Usuário x Item
    Baseado em similaridade;
    Baseado em Usuários;
    Baseado em Itens;
    

    View Slide

16. BASEADO EM USUÁRIO
    Calcula similaridade entre
    usuárias;
    Seleciona itens não avaliados pela
    usuária ativo;
    Calcula uma classificação por
    Média Ponderada;
    Gera a recomendação;
    FILTRO COLABORATIVO
    

    View Slide

17. BASEADO EM ITEMS
    Calcula similaridade entre Itens;
    Pega os item classificados pelo
    usuário;
    Calcula a similaridade com com o
    item alvo;
    FILTRO COLABORATIVO
    

    View Slide

18. DESAFIOS
    FILTRO COLABORATIVO
    Cold Start;
    Esparsidade de Dados;
    Escalabilidade;
    

    View Slide

19. FILTRO BASEADO EM CONTEÚDO
    Dependente de Domínio;
    Analisa os atributos dos Itens;
    Ideal para páginas, sites de notícias e
    publicações
    Dispensa o perfil da usuária;
    Se adapta fácil a mudanças;
    Resolve problemas do CF;
    

    View Slide

20. DESAFIOS FILTRO
    BASEADO EM
    CONTEÚDO
    Análise de conteúdo
    limitada;
    Superespecialização de
    conteúdo;
    

    View Slide

21. CÁLCULO DE
    SIMILARIDADE
    ENCONTRANDO A SIMILARIDADE
    

    View Slide

22. CORRELAÇÃO DE PEARSON
    Quanto duas variáveis se
    relacionam linearmente;
    Abordagem mais estatística;
    

    View Slide

23. COSINE
    Modelo vetorial baseado em
    álgebra linear;
    Mais utilizado em
    comparação de textos;
    

    View Slide

24. EXEMPLO DE
    FILTRO COLABORATIVO
    PONDO EM PRÁTICA
    

    View Slide

25. RECAPITULANDO
    

    View Slide

26. EXEMPLO
    

    View Slide

27. CORRELACÃO DE PEARSON
    

    View Slide

28. As vezes algumas
    opiniões pesam mais
    do que outras.
    MÉDIA PONDERADA
    

    View Slide

29. MÉDIA PONDERADA
    

    View Slide

30. RECOMENDAÇÃO
    

    View Slide

31. SAIBA
    MAIS
    Recommendation systems: Principles, methods and
    evaluation
    Entenda como funcionam os Sistemas de
    Recomendação
    Sistemas de Recomendação e Filtragem Colaborativa
    Udemy
    

    View Slide

32. PERGUNTAS?
    S I T E
    https://betinacosta.dev
    E M A I L
    bmcosta13@gmail.com
    T W I T T E R
    @ngasonicunicorn
    G I T H U B
    @betinacosta
    

    View Slide