Apt Recommendations

A cobra tambm inteligente!
Marcel Caraciolo - Mestrando CIN/UFPE

Python em Sistemas de
Recomendao
Total Sobra = 44 min
Tuesday, October 19, 2010
Quem Marcel ?
Marcel Pinheiro Caraciolo - @marcelcaraciolo
Mestrando em Cincia da Computao no CIN/UFPE na rea de minerao de dados
Diretor de Pesquisa e Desenvolvimento na Orygens
Membro e Moderador da Cella de Usurios Python de Pernambuco (PUG-PE)
Minhas reas de interesse: Computao mvel e Computao inteligente
Meus blogs: http://www.mobideia.com (sobre Mobilidade desde 2006)
http://aimotion.blogspot.com (sobre I.A. desde 2009)
Jovem Aprendiz ainda nas artes pythonicas.... (desde 2007)
Sergipano, porm Recifense.
TOTAL = 43 min
O que Inteligncia Coletiva?
TOTAL = 33 min
VI Encontro do PUG-PE
WEB
WEB WEB
VI Encontro do PUG-PE VI Encontro do PUG-PE
1.0
2.0
Fonte de Informao Fluxo Contnuo de Informao
3.0
USERS
WEB SITES
WEB APPLICATIONS
WEB SERVICES
SEMANTIC WEB
Usar informao coletiva de forma
efetiva afim de aprimorar uma
aplicao
Intelligence from
Mining Data
User
User
User
User
User
Um usurio inuencia outros
por resenhas, notas, recomendaes e blogs
Um usurio inuenciado por outros
por resenhas, notas, recomendaes e blogs
Intelligence from
Mining Data
User
User
User
User
User
Contribuio e Interao
Content
Contribuio e Interao
Contedo Personalizado
Modelo Modelo
Collective Intelligence
Your application
Search
aggregation information: lists
Clustering and
predictive models
recommendations
reviews
voting
blogs
Natural Language Processing
ratings
saving
bookmarking
wikis
user-generated content
tagging
tag cloud
Harness external content
Comunidade
Contedo gerado
pelo usurio
Conecte com
outros usurios
Contedo
personalizado
Recomendaes Sociais
Eu acho que
voc deveria ler
estes livros.
Amigos/ Famlia
O Que eu
deveria ler ?
Ref: Flickr photostream: jefield
Ref: Flickr-BlueAlgae
Recomendaes por Interao
Livros que voc
pode gostar
so
Sada:
Entrada:
O Que eu
deveria ler ?
Avalie alguns livros
Muitas vezes as pessoas s sabem o que
querem depois que voc mostra a elas.
Steve Jobs
Estamos saindo da era da Informao
e entrando na era da Recomendao.
Cris Anderson, no livro a Cauda Longa
Por que Recomendao ?
TOTAL = 25 min
Netix
- 2/3 dos lmes alugados vm de recomendao
Google News
- 38% das notcias mais clicadas vm de recomendao
Amazon
- 38% das vendas vm de recomendao
Fonte: Celma & Lamere, ISMIR 2007
Ns estamos sobrecarregados de informao
We are overloaded
Thousands of news articles
and blog posts each day
Millions of movies, books
and music tracks online
n Hanoi, > 50 TV channels,
thousands of programs
each day
n New York, several
thousands of ad messages
sent to us per day
Milhares de artigos e posts
novos todos os dias
Milhes de Msicas, Filmes e
Livros
Milhares de Ofertas e
Promoes
O que pode ser recomendado ?
Messagens de Propaganda
Tags
Opes de Investimento
Restaurantes
Msicas
Filmes
Livros
Programas de Tv
Roupas
Produtos
Artigos
Futuras namoradas
Contatos em Redes Sociais
Cursos e-learning
Vdeos
Prossionais
Papers
Mdulos de cdigo
E como funciona a recomendao ?
TOTAL = 25 min
O que os sistemas de recomendao
realmente fazem ?
1. Prediz o quanto voc pode gostar de um certo
produto ou servio
2. Sugere um lista de N items ordenada de acordo
com seu interese
3. Sugere uma lista de N usurios ordernada
para um produto/servio
4. Explica a voc o porque esses items foram
recomendados
5. Ajusta a predio e a recomendao baseado em
seu feedback e de outros.
Filtragem baseada por Contedo
O Vento
Levou
Duro de
Matar
Similar
Armagedon
Toy
Store
Marcel
gosta
recomenda
Items
Usurios
Filtragem colaborativa
O Vento
Levou
Os ncriveis
Similar
Armagedon
Toy
Store
Marcel
gosta
recomenda
Items
Rafael Luciana
Usurios
Filtragem colaborativa por usurio
Vrias pessoas gostaram de Kung-Fu Panda.
Voc pode me dizer o quanto eu vou gostar ?
A idia encontrar items que voc possa gostar
porque seus amigos gostaram.
Collaborative filtering (1)
User-based method (1994,
GroupLens)
Many people liked "Kungfu
Panda
Can you tell how much like it?
The idea is to pick about 20-50
people who share simiIar
taste with me, then how much
like depend on how much
THEY liked.
n short: you may like it
because your "friends liked it
8
7
5 4 5 3 4
3 5 4 5
4 5 4
5 4 3 5 5
4
5
3 4 3
2 3 5
1 4 2
3 4 5
1 2 3 4 5 6 7 8
item
u
s
e
r
1
2
3
4
5
6
Criado pela GroupLens em 1994
Filtragem colaborativa por item
Criado pela Amazon em 2001
Eu assisti a diversos lmes fracos e bons.
Voc me recomendaria assitir Tropa de Elite 2 ?
A idia encontrar items que voc possa gostar
porque voc gostou de outros items similares
The idea is to pick from my
previous list 20-50 movies that
share similar audience with
Taken, then how much I will like
depend on how much I liked those
early movies .
People who have watched those
movies also liked this movie .
(Amazon style)
Fatorao de Matriz
Voc assistiu milhares de vdeos
Mas se voc consegue agrup-los em 10 grupos
como ao, aventura, animao, etc.
A idia encontrar caractersticas escondidas a m de
encontrar items similares
Uma das solues para o Netix
Challenge 2006
Collaborative filtering (3)
Matrix Factorization (2006, Netflix
challgence)
You many have watched thousands of movies
But perhaps can tell these movies belong to
!" groups, like Action, Sci-Fi, Animation,
etc,.
So !" numbers are enough to describe your
taste
Likewise, "Titanic has been watched by
millions people, but perhaps .10 numbers
are enough to describe its features
Magic: these hidden aspects can be
discovered automatically by Matrix
Factorization!
~ [0.1 0.3 0.2 0.9 0.5 0.4 0.7 0.3 0.8 1.5]
Ento 10 caractersticas sucientes para descrever o
seu gosto
Filtragem Hbrida
Marcel Rafael Luciana
O Vento
Levou
Duro de
Matar
Armagedon
Toy
Store
Items
Usurios
Ontologias
Dados
Smbolicos
Combinao de mltiplos mtodos
O que os sistemas de recomendao
realmente fazem ?
1. Prediz o quanto voc pode gostar de um certo
produto ou servio
2. Sugere um lista de N items ordenada de acordo
com seu interese
3. Sugere uma lista de N usurios ordernada
para um produto/servio
4. Explica a voc o porque esses items foram
recomendados
5. Ajusta a predio e a recomendao baseado em
seu feedback e de outros.
Sim...
e com Python como se aplica ?
PYTHON
BATERIAS INCLUSAS
html
http
urllib
xml
xmlrpc
json
cgi
codecs
email
smtplib
hashlib
smtpd
socket
ssl
wsgiref
http
email
ssl
PYTHON MODULES
Canivete Suo
feedparser
SQLAlchemy
WebHelpers
nltk
FormEncode
boto
pycrypto
BeautifulSoup
NumPy
PIL
PyYAML
Twisted
python-memcached
lxml
Paste
Beaker
Babel
Demo 1 - Clssico
Como avaliar ?
Frameworks em Python
Exemplo PythonBrasil
Twitter ou Ofertas Coletivas de
Curitiba
Minhas contribuies
Recomendao Social +Mvel
Trabalhos futuros
Vulgo doutorado e na Orygens ...
Recomendao Ubqua (Mvel +
Social + Semntica)
Dicas
Obrigado !!
Fonte: Hunch.com
Marcel Caraciolo - caraciol@gmail.com
@marcelcaraciolo
Onde voc estar em tudo isso ?
A cobra tambm inteligente!
Marcel Caraciolo - Mestrando CIN/UFPE
Python em Sistemas de
Recomendao
TOTAL = 45 min
5.0 -> Demonstrao 01 -> Recomendao Clsssica
6.0 -> Meu trabalho de mestrado -> Smbolica + Semntica
7.0 -> Demonstrao 02 -> Recomendao Smbolica
8.0 -> Frameworks em Python Hoje para Recomendao
9.0 -> Ferramentas Web Exemplos com Recomendao
10.0 ->Exemplo Brincadeira dentro do PythonBrasil (Algo com Curitiba).
11.0 ->Minhas Contribuies
12.0 ->Trabalhos Futuros

Apt Recommendations

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apt Recommendations

Transféré par

Droits d'auteur :

Formats disponibles

A cobra tambm inteligente!

Marcel Caraciolo - Mestrando CIN/UFPE

Vous aimerez peut-être aussi