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
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
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
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
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.
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