Apresentação feita no meetup do dia 20/07/2017 https://www.meetup.com/analyticsemtudo/

1. Validação Offline e Online
Recomendação de Programas

2. Metodologia

3. Metodologia resumida

4. Validação offline

5. Validação offline temporal
Dia 1 Dia 2 Dia 3 Dia 4 Dia 5 Dia 6
Teste 1
Teste 2
Teste 3
Teste 4
Teste 5
Dados de treino do
algoritmo
Dados para
validação do
algoritmo

6. Mean Reciprocal Rank

7. Exemplo de
cálculo do Mean
Reciprocal Rank
User 1
User 2
User 3
Previstos pela recomendação

8. Exemplo de
cálculo do Mean
Reciprocal Rank
User 1
User 2
User 3
Acertos da recomendação
Rank = 1/2
Rank = 1/1
Rank = 1/3

9. Exemplo de
cálculo do Mean
Reciprocal Rank
( 0,5 + 1 + 0,333) / 3
MRR = 0,61
Rank = 1/2
Rank = 1/1
Rank = 1/3

10. Teste AB

11. Sobre a recomendação
de programas

12. Recomendação ● Facilitar a escolha de
programas
● Aumentar a personalização e
especialização
● Ajudar usuário a encontrar
novos programas
● Aumentar o tempo online

13. Recomendação ● Facilitar a escolha de
programas
● Aumentar a personalização e
especialização
● Ajudar usuário a encontrar
novos programas
● Aumentar o tempo online
Content Based

14. Recomendação ● Facilitar a escolha de
programas
● Aumentar a personalização e
especialização
● Ajudar usuário a encontrar
novos programas
● Aumentar o tempo online
Collaborative Filtering
Não personalizados

15. Recomendação ● Facilitar a escolha de
programas
● Aumentar a personalização e
especialização
● Ajudar usuário a encontrar
novos programas
● Aumentar o tempo online
Content Based
Collaborative Filtering
Não personalizados

16. Recomendação ● Facilitar a escolha de
programas
● Aumentar a personalização e
especialização
● Ajudar usuário a encontrar
novos programas
● Aumentar o tempo online
Content Based
Collaborative Filtering
Não personalizados

17. Content Based

18. Técnica:
Bag of user
properties
Content-based Recommender Systems: State of
the Art and Trends
Pasquale Lops, Marco de Gemmis and Giovanni
Semeraro
http://facweb.cs.depaul.edu/mobasher/classes/ect5
84/Papers/ContentBasedRS.pdf
Bag-of-Features Tagging Approach for a Better
Recommendation with Social Big Data
Ming Cheung and James She
http://smedia.ust.hk/ming/papers/2014IMMMTaggin
g.pdf
From Word Embeddings to Item
Recommendation
Makbule Gulcin Ozsoy
https://arxiv.org/pdf/1601.01356.pdf

19. Bag of user properties

20. Bag of user properties

21. Bag of user properties

22. Bag of user properties

23. Bag of user properties
O quanto
você gosta?

24. Bag of user properties
O quanto
você gosta?

25. Preferência do
usuário por
vídeo
Completude de vídeo
assistido
Play StopIntervalo
Pause/
Play
( time(stop) - time(play) - Σ time(pauses) )
duration

26. Cálculos
experimentados
de preferência
de programa
Usando completude de
vídeos assistidos
top Programas com maior completude de videos
assistidos por todos usuários
pref_99,
pref_95,
pref_75,
...
Soma da completude dos vídeos assistidos
pelo usuário por programa, aplicando um
multiplicador temporal diário.
pref_nmb,
pref_nmp,
pref_ndp,
...
Soma da completude dos vídeos assistidos
pelo usuário por programa normalizando pela
média do programa, do usuário ou de ambos,
por divisão e subtração.
pref_zu,
pref_zp,
pref_zb
Soma da completude dos vídeos assistidos
pelo usuário por programa normalizando pela
média e desvio padrão, do programa, usuário e
de ambos.

27. Prevendo o programa preferido do dia seguinte
De usuários que acessaram entre 15/06/2017 a 22/06/2017

28. Prevendo o programa preferido do dia seguinte
De usuários que acessaram entre 15/06/2017 a 22/06/2017
Pref_95:
MRR: 0.51
Maior completude pelo
perfil com multiplicador
temporal de 0.95

29. Programas mais
recomendados
na primeira
posição
No dia 15/06/2017

30. Cálculo com
melhor
resultado na
validação offline
Soma da completude com
multiplicador temporal de 0.95
Dia 1 Dia 2

31. Cálculo com
melhor
resultado na
validação offline
Soma da completude com
multiplicador temporal de 0.95
Dia 1 Dia 2
0,9
0,7
1,6

32. Cálculo com
melhor
resultado na
validação offline
Soma da completude com
multiplicador temporal de 0.95
Dia 1 Dia 2
0,9
0,7
1,6 0,81,52
x0,95

33. Cálculo com
melhor
resultado na
validação offline
Soma da completude com
multiplicador temporal de 0.95
Dia 1 Dia 2
0,9
0,7
1,6 0,8
0,2
2,52
x0,95

34. Collaborative Filtering

35. Collaborative filtering

36. Técnica:
Alternating least
squares
Collaborative Filtering for Implicit Feedback
Datasets
Yifan Hu, Yehuda Koren, Chris Volinsky
http://yifanhu.net/PUB/cf.pdf

37. Alternating Least Squares

38. Alternating Least Squares

39. Alternating Least Squares
3.634.0 -

40. Alternating Least Squares
Média de erros
quadráticos

41. Qual melhor valor inicial?
3.63

42. Qual melhor
cálculo de
preferência do
usuário para o
Collaborative
Filtering?
als_99,
als_95,
als_75,
...
Soma da completude dos vídeos assistidos
pelo usuário por programa, aplicando um
multiplicador temporal diário.
als_nmb,
als_nmp,
als_ndp,
...
Soma da completude dos vídeos assistidos
pelo usuário por programa normalizando pela
média do programa, do usuário ou de ambos,
por divisão e subtração.
als_zu,
als_zp,
als_zb
Soma da completude dos vídeos assistidos
pelo usuário por programa normalizando pela
média e desvio padrão, do programa, usuário
e de ambos.

43. Prevendo o programa preferido do dia seguinte
De usuários que acessaram entre 15/06/2017 a 22/06/2017

44. Prevendo o programa preferido do dia seguinte
De usuários que acessaram entre 15/06/2017 a 22/06/2017
als_95zu:
MRR: 0.18
Maior completude pelo perfil com
multiplicador temporal de 0.95 e
normalização por média e desvio
padrão de usuário.

45. Especialização
Do dia 15/06/2017 a 17/06
Percentual de usuários
que receberiam como
primeira recomendação
este programa

46. Exemplos
qualitativos
No dia 15/06/2017
Preferências
Recomendação

47. Exemplos
qualitativos
No dia 15/06/2017
Preferências
Recomendação

48. Exemplos
qualitativos
No dia 15/06/2017
Preferências
Recomendação

49. Futuro

50. xCLiMF xCLiMF: Optimizing Expected Reciprocal Rank
for Data with Multiple Levels of Relevance
Karatzogloub, Linas Baltrunasb, Martha Larsona,
Alan Hanjalica
https://alexiskz.files.wordpress.com/2016/06/xclimf_
err.pdf
https://github.com/timotta/xclimf

51. Dúvidas?
@timotta