![Page 1: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/1.jpg)
SISTEMAS DE RECOMENDAÇÃO
Mineração de Dados na Web
![Page 2: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/2.jpg)
EQUIPE
Lais Varejão (lvv)
Paulo Oliveira (phslfo)
Victor Lorena (vlfs)
Victor Acioli (vaca)
![Page 3: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/3.jpg)
ROTEIRO Introdução
Coleta de Informações
Estratégias
Técnicas
Arquitetura
Passo a Passo
Aplicações
Conclusão
![Page 4: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/4.jpg)
INTRODUÇÃO
![Page 5: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/5.jpg)
MOTIVAÇÃO
A Era da Inteligência Coletiva
![Page 6: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/6.jpg)
MOTIVAÇÃO
Sob o aspecto tecnológico, Inteligência Coletiva é o conjunto de comportamentos, preferências
e ideias de um grupo de pessoas para criar novas introspecções.
![Page 7: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/7.jpg)
MOTIVAÇÃO Atualmente existe uma grande quantidade de
informação disponibilizada de forma facilitada.
![Page 8: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/8.jpg)
MOTIVAÇÃO
Ao mesmo tempo...
![Page 9: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/9.jpg)
MOTIVAÇÃO O usuário tem dificuldade de encontrar
informações que são relevantes para ele.
![Page 10: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/10.jpg)
PROBLEMA
Como identificar quais conteúdos são
relevantes para cada usuário em meio a um mar de informação?
![Page 11: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/11.jpg)
SISTEMAS DE RECOMENDAÇÃO Sistemas de recomendação realizam a filtragem
da informação para recomendar itens, que possam ser interessantes para o usuário.
![Page 12: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/12.jpg)
SISTEMAS DE RECOMENDAÇÃO
Qual livro eu devo ler?
Para onde eu devo sair?
Que filme eu devo ver?
![Page 13: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/13.jpg)
SISTEMAS DE RECOMENDAÇÃO
“Muitas vezes as pessoas só sabem o que querem depois que você mostra a elas.”
Steve Jobs
![Page 14: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/14.jpg)
SISTEMAS DE RECOMENDAÇÃO
Existem empresas que investem em sistemas de recomendação?
![Page 15: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/15.jpg)
SISTEMAS DE RECOMENDAÇÃO
![Page 16: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/16.jpg)
DESAFIO NETFLIX Netflix
É uma locadora de DVDs online, com entrega a domicílio, que recomenda filmes de acordo com locações prévias dos clientes.
Dos filmes alugados, 60% vêm de recomendações.
Em 2006, ela anunciou o prêmio de 1 milhão para a primeira pessoa que melhorasse a precisão do seu sistema de recomendação em 10%.
![Page 17: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/17.jpg)
QUEM FORAM OS PIONEIROS? Nos anos 90, foi desenvolvido o Tapestry.
Um sistema de email que avaliava a relevância dos documentos recebidos.
Em 1996, o My Yahoo surgiu. O primeiro website a utilizar recomendação em
grandes proporções.
A técnica customização era utilizada.
![Page 18: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/18.jpg)
COLETA DE INFORMAÇÕES
![Page 19: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/19.jpg)
COLETA DE INFORMAÇÕES
É indispensável conhecer quem é o usuário.
![Page 20: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/20.jpg)
COLETA DE INFORMAÇÕES O usuário deve ser identificado no momento
em que ele acessa o sistema.
Identificação no servidor É necessário fazer um cadastro. Provê maior precisão.
Identificação no cliente Utiliza cookies para identificar a máquina. Menos confiável.
![Page 21: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/21.jpg)
COLETA DE INFORMAÇÕES As informações podem ser coletadas de forma
explícita ou implícita.
![Page 22: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/22.jpg)
COLETA DE INFORMAÇÕES Coleta Explícita
O usuário indica o que lhe interessa.
![Page 23: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/23.jpg)
COLETA DE INFORMAÇÕES Coleta Implícita
A partir do comportamento do usuário, infere-se suas necessidades e preferências.
TURISMO
![Page 24: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/24.jpg)
PROBLEMAS DE PRIVACIDADE Informações do usuário são coletadas e
armazenadas sem que ele perceba.
Existem empresas que vendem esses dados.
![Page 25: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/25.jpg)
POLÍTICAS DE PRIVACIDADE É uma exigência legal que as políticas de
privacidade dos sites sejam disponibilizadas. Aumenta a proteção do usuário.
![Page 26: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/26.jpg)
POLÍTICAS DE PRIVACIDADE Algumas organizações propõem selos que
regulam a política de privacidade de um website.
![Page 27: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/27.jpg)
ESTRATÉGIAS
![Page 28: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/28.jpg)
ESTRATÉGIAS
Diferentes estratégias podem ser usadas para personalizar ofertas para o usuário.
Listas de Recomendação
Avaliação de Usuários
Suas Recomendações
Produtos Similares (X Y)
Associação por Conteúdo
![Page 29: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/29.jpg)
ESTRATÉGIAS Listas de Recomendação
São mantidas listas de itens organizadas por tipos de interesse.
![Page 30: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/30.jpg)
ESTRATÉGIAS
Avaliação de Usuários Além de comprar, o usuário deixa sua avaliação sob
o item adquirido. É importante que haja veracidade na opinião.
![Page 31: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/31.jpg)
SUAS RECOMENDAÇÕES Itens são oferecidos de acordo com o interesse
do usuário.
![Page 32: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/32.jpg)
PRODUTOS SIMILARES (X Y) Indica itens similares ao que está sendo
comprado no momento.
![Page 33: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/33.jpg)
ASSOCIAÇÃO POR CONTEÚDO São utilizados os dados dos próprios produtos e
não do usuário.
Exemplo: Autor Editora Tema Assunto
![Page 34: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/34.jpg)
TÉCNICAS
![Page 35: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/35.jpg)
FILTRAGEM DE INFORMAÇÃO
É o nome utilizado para descrever uma variedade de processos que envolvem a entrega de
informação para as pessoas que realmente necessitam delas.
Belvin and Croft - 1992
![Page 36: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/36.jpg)
FILTRAGEM BASEADA EM CONTEÚDO
É a forma mais simples de recomendação
Considera que usuários sempre gostaram de coisas que gostaram no passado.
Analisa apenas os itens e o perfil do usuário.
![Page 37: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/37.jpg)
FILTRAGEM BASEADA EM CONTEÚDO
Funcionamento: Usuários devem avaliar itens de acordo com seu
interesse.
O sistema correlaciona os itens em sua base de dados, considerando características de cada item.
E indica novos itens que apresentem alto grau de similaridade.
![Page 38: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/38.jpg)
EXEMPLO
REC
Hangover
X-men
O exorcista
Gostei
Recomendado
sim(REC, Exoc)
Usuário Atual
![Page 39: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/39.jpg)
FILTRAGEM BASEADA EM CONTEÚDO
Dificuldades:
Cálculo da similaridade
Análise dos dados restrita
Super Especialização
Efeito Portfólio
![Page 40: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/40.jpg)
FILTRAGEM COLABORATIVA Fechar as lacunas que a filtragem baseada em
conteúdo não soluciona.
Não exige a extração de características dos itens.
O sistema se baseia na troca de experiências entre usuários com gostos similares.
![Page 41: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/41.jpg)
FILTRAGEM COLABORATIVA Funcionamento:
Usuários devem avaliar itens de acordo com seu interesse.
O sistema descobre usuários com padrões similares de comportamento ao do usuário atual.
Processa as avaliações feitas por esse subconjunto de usuários.
E recomenda itens que o usuário atual ainda não avaliou.
![Page 42: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/42.jpg)
EXEMPLO
Usuário Atual Usuário X Usuário Y
Filme 1
Filme 2
Filme 3
Filme 4
Similares
Gosta:1. Filme A2. Filme B3. Filme C
Gosta:1. Filme A2. Filme B3. Filme C
![Page 43: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/43.jpg)
FILTRAGEM COLABORATIVA Dificuldades:
Necessita de vasta base de dados
Escalabilidade/estabilidade
Partida fria (Usuários e itens novos)
Popularidade
Ovelha negra
Demonstração Facebook
![Page 44: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/44.jpg)
FILTRAGEM HÍBRIDA
Combina as duas técnicas, para obter um sistema mais eficiente.
![Page 45: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/45.jpg)
COMPARATIVO
FBC FC FHPartida fria (Item)Partida fria (Usuário)SimilaridadeDados restritosEspecializaçãoEfeito PortfólioVasta base de dadosPopularidadeOvelha negra
![Page 46: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/46.jpg)
CUIDADOS
Solicitada ou espontânea?
Rodar online ou offline?
Recomendar tudo ou filtrar?
Só itens novos?
Explicar o motivo da escolha?
Necessidade ou interesse?
![Page 47: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/47.jpg)
ARQUITETURA
![Page 48: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/48.jpg)
ARQUITETURA
![Page 49: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/49.jpg)
Recommender Server Utilizado para dar acesso aos SessionsControllers
e às rotinas de recomendações.
EXEMPLO
![Page 50: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/50.jpg)
SessionController Ao entrar no site as
informações do usuário são armazenadas sobre sua interação atual.
E comparadas com o seu histórico dentro do site.
EXEMPLO
![Page 51: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/51.jpg)
StrategyList Guarda vários modelos de recomendação.
Baseado em listas armazenadas pelo sistema. Itens mais comuns
Baseado em preferências explícitas ou implícitas. Itens mais específicos
Diferentes estratégias podem ser criadas e utilizadas em paralelo em um mesmo website.
EXEMPLO
![Page 52: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/52.jpg)
InterestList Mantém as preferências.
Essas preferências podem ser utilizadas em conjunto.
EXEMPLO
![Page 53: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/53.jpg)
FindingList
Informações básicas sobre os usuários.
Armazena características demográficas e hábitos.
Recomendação com precisão.
EXEMPLO
![Page 54: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/54.jpg)
RECOMENDAÇÃO PASSO A PASSO
![Page 55: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/55.jpg)
Do que as pessoas gostam?
Preferências de produtos, serviços e interesses.
Como e onde pegar essas informações.
PASSO A PASSO
![Page 56: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/56.jpg)
Como as pessoas se parecem? Grupos de pessoas com interesses em comum.
Métricas de Similaridade: Coeficiente de Pearson. Distância Euclidiana.
PASSO A PASSO
![Page 57: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/57.jpg)
Recomendar itens Mostrar algum item que uma pessoa parecida
com você viu e você não viu. Tabela de Pesos.
PASSO A PASSO
![Page 58: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/58.jpg)
Comparação entre itens Encontra a similaridade entre os itens. Ajuda a oferecer um item que você
provavelmente queira ver.
PASSO A PASSO
![Page 59: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/59.jpg)
APLICAÇÕES
![Page 60: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/60.jpg)
APLICAÇÕES Aardwark:
Sugestões de perguntas a pessoas certas. Associação por Conteúdo.
![Page 61: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/61.jpg)
APLICAÇÕES
YouTube:
Sugestão de vídeos.
Lista de recomendação.
Associação de conteúdo.
![Page 62: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/62.jpg)
APLICAÇÕES Facebook:
Sugestão de pessoas que o usuário possa conhecer. Usuários que se interessam por “X” também se
interessam por “Y”.
![Page 63: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/63.jpg)
APLICAÇÕES Match.com:
É uma comunidade mundial de solteiros em busca de um parceiro.
Lançado em 1995, foi pioneiro em sites de relacionamentos.
Possui mais de 29 milhões de usuários.
![Page 64: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/64.jpg)
APLICAÇÕES Match.com:
Sugere pessoas através do Daily 5. Suas Recomendações.
![Page 65: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/65.jpg)
APLICAÇÕES Amazon:
Inicialmente, era uma livraria online. Atualmente, é a maior empresa de comércio eletrônico dos EUA.
Realiza grandes investimentos em recomendação, possuindo todas as estratégias.
Cerca de 38% de suas vendas provêm de suas sugestões.
![Page 66: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/66.jpg)
APLICAÇÕES
Amazon: Sugestão de itens que o
usuário posso querer comprar.
Lista de recomendação.
![Page 67: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/67.jpg)
APLICAÇÕES Amazon:
Avaliação de Usuários
![Page 68: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/68.jpg)
APLICAÇÕES Amazon:
Suas Recomendações
![Page 69: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/69.jpg)
APLICAÇÕES Amazon:
Usuários que se interessam por “X” também se interessam por “Y.”
![Page 70: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/70.jpg)
APLICAÇÕES Amazon:
Associação por conteúdo
![Page 71: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/71.jpg)
DESAFIOS E TENDÊNCIAS
![Page 72: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/72.jpg)
TENDÊNCIAS
Pesquisa social Busca na web considera as
redes sociais que o usuário faz parte.
Ex: O sistema responde a uma consulta de um usuário com links relacionados às avaliações dadas por colegas do usuário.
![Page 73: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/73.jpg)
TENDÊNCIAS
Google Social Search
![Page 74: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/74.jpg)
DESAFIOS Melhoria nos algoritmos de recomendação:
Eficiência Qualidade do resultado.
![Page 75: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/75.jpg)
CONCLUSÃO Sistemas de recomendação
podem ser usados para que se possa conhecer melhor os hábitos dos usuários.
Aplicar estrategicamente o conhecimento dos hábitos dos usuários, pode melhorar a lucratividade de uma empresa.
![Page 76: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/76.jpg)
CONCLUSÃO A tendência é que todos os programas web
utilizem recomendação.
![Page 77: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/77.jpg)
DÚVIDAS
![Page 78: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/78.jpg)
Obrigado!
![Page 79: SISTEMAS DE RECOMENDAÇÃO Mineração de Dados na Web](https://reader038.vdocuments.pub/reader038/viewer/2022102815/552fc130497959413d8d473f/html5/thumbnails/79.jpg)
REFERÊNCIAS http://dsc.upe.br/~tcc/20092/TCC_final_AndersonBerg.pdf
http://en.wikipedia.org/wiki/Recommender_system
Programming Collective Inteligence - OReilly
Artigo 2 (Incluir)
Artigo 3 (Incluir)