View
2.148
Download
0
Category
Preview:
DESCRIPTION
Apresentação da dissertação de Mestrado
Citation preview
Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de
produtos na Web
17.11.2005
Leandro Neumann Ciuffo
Agenda
Introdução
Estratégias de recomendação
Recomendações Personalizadas
Técnicas de Filtragem da Informação
Filtragem Colaborativa
Avaliações Não-Confiáveis
HYRIWYG
Estudo de Caso
Conclusões
Introdução
Bom dia, dona Maricota. O de sempre?Temos uma
broa de milho que a senhora irá gostar.
Em algum lugar no passado...
IntroduçãoHoje: necessidade de
filtragemExiste uma enorme quantidade de opções para que as pessoas decidam o que consumir
Falta de experiência para realizar escolhas acertadas
Estratégias de RecomendaçãoRecomendações Gerais
Alternativa para driblar a sobrecarga de opções
Recomendações não dirigidas
Recomendações Gerais na Web
Listas de Recomendação
Estratégias de Recomendação
Recomendações Gerais na Web
Listas de Recomendação
Comentários de Texto
Estratégias de Recomendação
Recomendações Gerais na Web
Listas de Recomendação
Comentários de Texto
Revisões/Avaliações
Estratégias de Recomendação
Recomendações Gerais na Web
De fácil implementação
Não consideram as preferências dos usuários
Estratégias de Recomendação
Ineficaz em domínios onde existe heterogeneidade de opiniões
Direcionamento de ProdutosEstratégias de Recomendação
Associação entre itens
Estratégias de RecomendaçãoDirecionamento de Produtos
Associação entre itens
Cross-sell
Estratégias de RecomendaçãoDirecionamento de Produtos
Recomendações Personalizadas
Consideram as características individuais dos consumidores
Estratégias de Recomendação
Necessidade de identificação das preferências pessoais e hábitos de consumo
Identificação dos Usuários
Login
Recomendações Personalizadas
Cookies
Coleta Implícita de Informações
Monitoramento de ações que indicam interesse
Adicionar página aos “Favoritos”
Visualizar a página por longo tempo
Scrolling da barra de rolagem
Colocar um produto na cesta de compras
Análise das estatísticas de acesso
Recomendações Personalizadas
O usuário pode comprar
um presente para outra pessoa
Recomendações PersonalizadasDesvantagem da Coleta Implícita
Coleta Explícita de Informações
Recomendações Personalizadas
Melhor customização das preferências
Desvantagem da Coleta Explícita
Exige paciência e
atenção dos usuários
Recomendações Personalizadas
Filtragem da Informação
Momento 1:
usuário como produtor
de informações
Recomendações Personalizadas
Informações coletadas deforma implícita ou explícita
Recomendações PersonalizadasFiltragem da Informação
Informações adicionadas ao perfil do usuário
Recomendações PersonalizadasFiltragem da Informação
Momento 2:
usuário como consumidor
de informações
Recomendações PersonalizadasFiltragem da Informação
O usuário deseja receber uma
recomendação
Recomendações PersonalizadasFiltragem da Informação
As informações armazenadas no perfil são lidas pelo SR
Recomendações PersonalizadasFiltragem da Informação
O SR “filtra” os itens de acordo com o perfil e gera as recomendações
Recomendações PersonalizadasFiltragem da Informação
As recomendações são entregues ao usuário
Recomendações PersonalizadasFiltragem da Informação
Filtragem Baseada em Conteúdo (FBC)
Técnicas de Filtragem da Informação
O conteúdo dos itens precisa ser descrito
Compara a descrição dos itens com o perfil do usuárioPrincípio da continuidade de preferências
Se o usuário gostou de um item, deve gostar de um item similar no futuro
Desvantagens da FBCTécnicas de Filtragem da Informação
Superespecialização
Impossibilidade de análise de conteúdo em domínios não textuais
Não-consideração de aspectos como a qualidade
ou estilo do item
Filtragem Colaborativa (FC)Técnicas de Filtragem da Informação
Sistema de Sistema de RecomendaçãoRecomendação
CaracterísticasFiltragem Colaborativa
Baseada nas avaliações feitas pelos usuários
Mede a similaridade entre os usuários
Pessoas que concordaram no passado tendem a concordar novamente no futuro
Entrada de Dados
Usuários com avaliações semelhantes são agrupados
Filtragem Colaborativa
Vantagens
Aplicação em qualquer domínio
Independe da classificação de itens feita por revisoresPode gerar recomendações inesperadas
Filtragem Colaborativa
Alteração constante das vizinhanças
Problemas
Matriz Esparsa
Ovelha Negra
Primeira avaliação
Partida a Frio
Falso Bom vizinho
Falta de motivação
Problema do “Carona”
Filtragem Colaborativa
Ataques a SRs
Avaliações Não-Confiáveis
Avaliações intencionalmente desonestas usuários com interesses especiais
Avaliações aleatórias ou constantesUsuários que não entendem o processo de geração das recomendações
Extensos formulários de
avaliação agravam este problema
Filtragem Colaborativa
Desafios
Motivar os usuários
Garantir a honestidade das avaliações
Filtragem Colaborativa
Iniciativas para motivar os usuários
e inibir avaliações não-confiáveis
Avaliações Não-Confiáveis
Reconhecimento da comunidade
Reputação
Web-of-Trust
Iniciativas para motivar os usuários
e inibir avaliações não-confiáveis
Avaliações Não-Confiáveis
Reconhecimento da comunidade
Reputação
Web-of-TrustDificulta a ação de usuários desonestos
Não incentiva o cadastro de novos usuários
CaracterísticasHYRIWYG: How You Rate Influences What You Get
Não utiliza sistemas complementares
Todos os usuários possuem uma mesma reputação
De fácil implementação
Promove o aumento da quantidade de avaliações honestas
ModeloHYRIWYG: How You Rate Influences What You Get
ModeloHYRIWYG: How You Rate Influences What You Get
Avalia um item com uma nota de valor Vi
Vi
ModeloHYRIWYG: How You Rate Influences What You Get
A avaliação é submetida ao SR...
Vi
ModeloHYRIWYG: How You Rate Influences What You Get
... Que a utiliza para configurar o perfil do usuário.
Vi
Ajuste
ModeloHYRIWYG: How You Rate Influences What You Get
O perfil i é carregado...
Vi
Perfil i
Ajuste
ModeloHYRIWYG: How You Rate Influences What You Get
... E utilizado para inferir o valor da suposta nota V’i
Vi
Perfil iV’i
Ajuste
ModeloHYRIWYG: How You Rate Influences What You Get
O mecanismo utiliza uma função de compensação para conceder incentivos de forma proporcional à contribuição do usuário
Ince
nti
vo
Vi
Perfil iV’i
Ajuste
ModeloHYRIWYG: How You Rate Influences What You Get
Função de Compensação
)v)(SR( θv'*α(1*Cτ iii
Incentivo concedidoAvaliação inferida
pelo sistema
Avaliação realdo usuário
Constante para calibragem do
sistema de avaliação
Incentivo indexado pela qualidade da avaliação
HYRIWYG: How You Rate Influences What You Get
Evitar a ocorrência de avaliações não-confiáveis de usuários que querem aumentar o valor dos incentivos
Utilização do próprio SR para determinar em quais itens o incentivo poderá ser aplicado
Incentivo indexado pela qualidade da avaliação
HYRIWYG: How You Rate Influences What You Get
Ciclo VirtuosoHYRIWYG: How You Rate Influences What You Get
O usuário deseja receber uma
recomendação
Vi
Perfil iV’i
Ince
nti
vo
Ajuste
Ciclo VirtuosoHYRIWYG: How You Rate Influences What You Get
Solicita recomendação
Vi
Perfil iV’i
Ince
nti
vo
Ajuste
Ciclo VirtuosoHYRIWYG: How You Rate Influences What You Get
Vi
Perfil iV’i
Ince
nti
vo
As informações armazenadas no perfil são lidas pelo SR
Ajuste
Ciclo VirtuosoHYRIWYG: How You Rate Influences What You Get
Vi
Perfil iV’i
Ince
nti
vo
O usuário recebe recomendações de itens de acordo com seu perfil
Ajuste
Em teoria:HYRIWYG: How You Rate Influences What You Get
Sem incentivo
Quantidade de avaliações
Veracidadedas avaliações
Com incentivo Com HYRIW YG
Estudo de CasoHipóteses
Hipótese 1:
O HYRIWYG faz com que a quantidade de avaliações fornecidas ao SR seja maior do que quando nenhum incentivo é concedido aos usuários
Hipótese 2:
O HYRIWYG faz com que as pessoas avaliem mais honestamente do que quando o incentivo concedido é aberto
Estudo de CasoObjeto de Estudo
Avaliações
Escala discreta de 0 a 6Questionário com 300 filmes
Estudo de CasoObjeto de Estudo
Estudo de CasoProcedimentos
FASE 1 - Altruística
FASE 2 - Incentivo aberto
FASE 3 - HYRIWYG
{SR(filmes,i) Acervo(filmes)}
Estudo de CasoVariáveis de Medição
= 0
C = 1/40 de uma locação gratuita de DVD
Função de compensação: ii n
401
τ
Regra de Resgate: Alugar gratuitamente Ti DVDs
Estudo de CasoInstrumento
SR de Filmes
Filtragem ColaborativaCoeficiente de Pearson
Estudo de CasoInstrumento
Cadastro
Gêneros prediletos
Estudo de CasoPopulação
565 usuários cadastrados
Estudo de CasoPeríodos de Coleta de Dados
Fase 1 Fase 2 Fase 3
Estudo de CasoAnálise dos Dados – Hipótese 1
(quantidade)
“Não vi”Nota
Usuários de Juiz de Fora
Estudo de CasoAnálise dos Dados – Hipótese 1
(quantidade)
“Não vi”Nota
Usuários de Juiz de Fora
Estudo de CasoAnálise dos Dados – Hipótese 1
(quantidade)
“Não vi”Nota
Usuários de outras cidades
Estudo de CasoAnálise dos Dados – Hipótese 1
(quantidade)
Usuários de outras cidades
Usuários de Juiz de Fora
Fase 1 Fase 2 Fase 3
Média de cadastro/semana 2,66 16,33 7
% de usuários que optaram por avaliar filmes de todos os gêneros
25% 54,16% 42,85%
Fase 1 Fase 2 Fase 3
Média de cadastro/semana 3,33 3 3,66
% de usuários que optaram por avaliar filmes de todos os gêneros
10% 22,22% 18%
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)
Usuários de Juiz de Fora
Tempo médio de sessão
Máximo 9 min.
30 primeiras avaliações
Seg
un
dos
t0 = Página carregada
tf = usuário submete avaliações
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)
Avaliação darecomendação
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)
Fase 2Períodos sem
incentivo
Avaliação negativa < 4Avaliação positiva ≥ 4
Todos os usuários (198 avaliações)
Usuários de J.Fora (39 avaliações)
Base de dados diferentes
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)
Fase 2
Avaliação negativa < 4Avaliação positiva ≥ 4
Usuários de J.Fora (39 avaliações)
Amostra pouco representativa
O incentivo não foi bom o suficiente para os usuários serem desonestos
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)Fase 3
17 usuários contemplados
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)Fase 3
Apenas 7 resgataram as locações
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)Fase 3
“Gostei das recomendações, mas não as resgatei porque não tive tempo.”
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)Fase 3
“Gostei das recomendações, mas não as resgatei porque as locadoras ficam longe da minha casa.”
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)Fase 3
“Não resgatei as locações porque
não gostei dos filmes recomendados.”
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)Fase 3
5 usuários ganharam 16 locações
2 usuários ganharam 12 locações
Estudo de CasoAnálise dos Dados – Hipótese 2
(qualidade)Fase 3
5 usuários ganharam 16 locações
2 usuários ganharam 12 locações
Estudo de CasoLimitações
População / distribuição restrita de incentivos
Localização das videolocadoras
Qualidade do incentivo
ConclusõesContribuições
Investigação da viabilidade real do HYRIWYG
O experimento é sensível aos valores dos parâmetrosUtilidade da recomendação – valor dos SRs
Aumento da reputação do sistema
ConclusõesHYRIWYG - Benefícios
Matriz menos esparsa
Redução do problema da Falta de Motivação
Redução do problema do “carona”
Predominância de avaliações honestas
ConclusõesTrabalhos Futuros
Testar configurações diferentes das variáveis de mediçãoCadastrar mais filmes e melhorar questões de projetoParceria com uma locadora “virtual” de DVDs
Parceria com a BLOCKBUSTER
ConclusõesTrabalhos Futuros
ConclusõesTrabalhos Futuros
Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de
produtos na Web
17.11.2005
Leandro Neumann Ciuffo
Recommended