Introdução à Teoria de Sistemas de Recomendação
Informações
Pré-requisito: Aprendizado de Máquina
Ementa
Sistemas de Recomendação. Taxonomia dos Sistemas de Recomendação. Técnicas de Recomendação. Filtragem Colaborativa. Avaliação de algoritmos para Sistemas de Recomendação.
Objetivos
Ao final da disciplina o aluno deve:
- Compreender as principais técnicas, conceitos da área de Sistemas de Recomendação e exemplos de aplicação;
- Identificar o potencial dessas para o desenvolvimento de sistemas de apoio à decisão, mineração de dados e recuperação da informação;
- Aplicar as tecnologias apresentadas em problemas de natureza diversa.
Sumário
- Conteúdo Programático
- 01. Introdução a Sistemas de Recomendação
- 02. Fundamentos dos Sistemas de Recomendação
- 03. Computação Científica
- 04. Aquisição de Dados
- 05. Sistemas de Recomendação Não Personalizado
- 06. Filtragem Colaborativa
- 07. Métricas e Avaliação dos Recomendadores
- 08. Algoritmos Baseado em Memória
- 09. Algoritmos Baseado em Modelo
- 10. Incorporando Tempo e Feedback
- 11. Tópicos Avançados
- Referência Bibliográfica
Conteúdo Programático
01. Introdução a Sistemas de Recomendação
Conteúdo
- Sistemas de Recomendação
- História da Área
- Ciclo da Recomendação
- Formas de Recomendação
- Tópicos de Pesquisa
Materiais
02. Fundamentos dos Sistemas de Recomendação
Conteúdo
- Formalização
- Tipos de SRs
- Funções de um SRs
- Técnicas de Recomendação
- Tópicos Especiais
- Evolução
- Desafios
03. Computação Científica
Conteúdo
- Vetores
- Matrizes
- Slices
- Comprehensions
- Find
- Metaprogramming
Materiais
- Programação Científica (video)
- Estrutura Básica da Linguagem Julia (video)
- Tópicos Avançados da Linguagem Julia (video)
- Gerenciador de Pacotes Pkg.jl (video)
04. Aquisição de Dados
Conteúdo
- Modelo de Preferência
- Preferência Explícita
- Preferência Implícita
- Predição
- Recomendação
Materiais
05. Sistemas de Recomendação Não Personalizado
Conteúdo
- Exemplos
- Regras de Associação
- Algoritmo APRIORI
06. Filtragem Colaborativa
Conteúdo
Baseada em Conteúdo Filtragem Colaborativa Memory-based Model-based Matrix de Preferência Outras Interpretações do Problema Esparsidade Cold Start Tipos de Usuários Desafios da Área
07. Métricas e Avaliação dos Recomendadores
Conteúdo
- Medidas para Previsão
- Medidas para Recomendação
- Cobertura
- Diversidade
- Serendipity
- Experimentos
08. Algoritmos Baseado em Memória
Conteúdo
- Arquitetura
- Normalização
- Shrinkage
- Memory Based
- Similaridades
- Otimizações de Pesos
- Vantagens e Desvantagens
09. Algoritmos Baseado em Modelo
Conteúdo
- Limitações das abordagens baseadas em vizinhança
- Baseline Predictors
- Variáveis Latentes
- Fatoração de Matrizes
- Singular Value Decomposition
- Regulared SVD
- Improved Regulared SVD
- COFILS
- Neural Collaborative Filtering
- Non-negative Matrix Factorization
10. Incorporando Tempo e Feedback
Conteúdo
- Feedback Implícito
- SVD++
- Dados do Usuário
- Confiança da Avaliação
- Time-aware
- Concept Drift
11. Tópicos Avançados
Conteúdo
- Context-aware
- Group recommendation
- Session-based
- Adversarial
- Fairness
Referência Bibliográfica
Principal
- Ricci, F., Rokach, L., Shapira, B., Kantor, P. B. Recommender Systems Handbook, Springer-Verlag, 2022.