advertisement

Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de produtos na Web

50 %
50 %
advertisement
Information about Um Estudo de Caso para verificar a suscetibilidade a incentivos de...

Published on April 27, 2008

Author: leandrociuffo

Source: slideshare.net

Description

Apresentação da dissertação de Mestrado
advertisement

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

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...

Introdução Hoje: necessidade de filtragem Existe uma enorme quantidade de opções para que as pessoas decidam o que consumir Falta de experiência para realizar escolhas acertadas

Estratégias de Recomendação Recomendações 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 Produtos Estratégias de Recomendação

Associação entre itens Estratégias de Recomendação Direcionamento de Produtos

Associação entre itens Cross-sell Estratégias de Recomendação Direcionamento 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 Personalizadas Desvantagem 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 de forma implícita ou explícita Recomendações Personalizadas Filtragem da Informação

Informações adicionadas ao perfil do usuário Recomendações Personalizadas Filtragem da Informação

Momento 2: usuário como consumidor de informações Recomendações Personalizadas Filtragem da Informação

O usuário deseja receber uma recomendação Recomendações Personalizadas Filtragem da Informação

As informações armazenadas no perfil são lidas pelo SR Recomendações Personalizadas Filtragem da Informação

O SR “filtra” os itens de acordo com o perfil e gera as recomendações Recomendações Personalizadas Filtragem da Informação

As recomendações são entregues ao usuário Recomendações Personalizadas Filtragem 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 usuário Princípio da continuidade de preferências Se o usuário gostou de um item, deve gostar de um item similar no futuro

Desvantagens da FBC Técnicas 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 Recomendação

Características Filtragem 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 Filtragem Colaborativa Usuários com avaliações semelhantes são agrupados

Vantagens Aplicação em qualquer domínio Independe da classificação de itens feita por revisores Pode 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 constantes Usuários 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-Trust Dificulta a ação de usuários desonestos Não incentiva o cadastro de novos usuários

Características HYRIWYG: 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

Modelo HYRIWYG: How You Rate Influences What You Get

Modelo HYRIWYG: How You Rate Influences What You Get Avalia um item com uma nota de valor Vi Vi

Modelo HYRIWYG: How You Rate Influences What You Get A avaliação é submetida ao SR... Vi

Modelo HYRIWYG: How You Rate Influences What You Get ... Que a utiliza para configurar o perfil do usuário. Vi Ajuste

Modelo HYRIWYG: How You Rate Influences What You Get O perfil  i é carregado... Vi Perfil  i Ajuste

Modelo HYRIWYG: How You Rate Influences What You Get ... E utilizado para inferir o valor da suposta nota V’i Vi Perfil  i V’i Ajuste

Modelo HYRIWYG: How You Rate Influences What You Get O mecanismo utiliza uma função de compensação para conceder incentivos de forma proporcional à contribuição do usuário Incentivo Vi Perfil  i V’i Ajuste

Modelo HYRIWYG: How You Rate Influences What You Get Função de Compensação Incentivo concedido Avaliação inferida pelo sistema Avaliação real do 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 Virtuoso HYRIWYG: How You Rate Influences What You Get O usuário deseja receber uma recomendação Vi Perfil  i V’i Incentivo Ajuste

Ciclo Virtuoso HYRIWYG: How You Rate Influences What You Get Solicita recomendação Vi Perfil  i V’i Incentivo Ajuste

Ciclo Virtuoso HYRIWYG: How You Rate Influences What You Get Vi Perfil  i V’i Incentivo As informações armazenadas no perfil são lidas pelo SR Ajuste

Ciclo Virtuoso HYRIWYG: How You Rate Influences What You Get Vi Perfil  i V’i Incentivo O usuário recebe recomendações de itens de acordo com seu perfil Ajuste

Em teoria: HYRIWYG: How You Rate Influences What You Get

Estudo de Caso Hipóteses 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 Caso Objeto de Estudo Avaliações Escala discreta de 0 a 6 Questionário com 300 filmes

Estudo de Caso Objeto de Estudo

Estudo de Caso Procedimentos FASE 1 - Altruística FASE 2 - Incentivo aberto FASE 3 - HYRIWYG

{SR(filmes,  i )  Acervo(filmes)} Estudo de Caso Variáveis de Medição  = 0 C = 1/40 de uma locação gratuita de DVD Função de compensação: Regra de Resgate: Alugar gratuitamente T i DVDs

Estudo de Caso Instrumento SR de Filmes Filtragem Colaborativa Coeficiente de Pearson

Estudo de Caso Instrumento Cadastro Gêneros prediletos

Estudo de Caso População 565 usuários cadastrados

Estudo de Caso Períodos de Coleta de Dados Fase 1 Fase 2 Fase 3

Estudo de Caso Análise dos Dados – Hipótese 1 (quantidade) “ Não vi” Nota Usuários de Juiz de Fora

Estudo de Caso Análise dos Dados – Hipótese 1 (quantidade) “ Não vi” Nota Usuários de Juiz de Fora

Estudo de Caso Análise dos Dados – Hipótese 1 (quantidade) “ Não vi” Nota Usuários de outras cidades

Estudo de Caso Análise dos Dados – Hipótese 1 (quantidade) Usuários de outras cidades Usuários de Juiz de Fora 42,85% 54,16% 25% % de usuários que optaram por avaliar filmes de todos os gêneros 7 16,33 2,66 Média de cadastro/semana Fase 3 Fase 2 Fase 1   18% 22,22% 10% % de usuários que optaram por avaliar filmes de todos os gêneros 3,66 3 3,33 Média de cadastro/semana Fase 3 Fase 2 Fase 1  

Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Usuários de Juiz de Fora Tempo médio de sessão Máximo 9 min. 30 primeiras avaliações Segundos t 0 = Página carregada t f = usuário submete avaliações

Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Avaliação da recomendação

Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 2 Períodos sem incentivo Avaliação negativa < 4 Avaliação positiva ≥ 4 Todos os usuários (198 avaliações) Usuários de J.Fora (39 avaliações) Base de dados diferentes

Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 2 Avaliação negativa < 4 Avaliação 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 Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 17 usuários contemplados

Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 Apenas 7 resgataram as locações

Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 “ Gostei das recomendações, mas não as resgatei porque não tive tempo.”

Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 “ Gostei das recomendações, mas não as resgatei porque as locadoras ficam longe da minha casa.”

Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 “ Não resgatei as locações porque não gostei dos filmes recomendados.”

Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 5 usuários ganharam 16 locações 2 usuários ganharam 12 locações

Estudo de Caso Análise dos Dados – Hipótese 2 (qualidade) Fase 3 5 usuários ganharam 16 locações 2 usuários ganharam 12 locações

Estudo de Caso Limitações População / distribuição restrita de incentivos Localização das videolocadoras Qualidade do incentivo

Conclusões Contribuições Investigação da viabilidade real do HYRIWYG O experimento é sensível aos valores dos parâmetros Utilidade da recomendação – valor dos SRs Aumento da reputação do sistema

Conclusões HYRIWYG - Benefícios Matriz menos esparsa Redução do problema da Falta de Motivação Redução do problema do “carona” Predominância de avaliações honestas

Conclusões Trabalhos Futuros Testar configurações diferentes das variáveis de medição Cadastrar mais filmes e melhorar questões de projeto Parceria com uma locadora “virtual” de DVDs Parceria com a BLOCKBUSTER

Conclusões Trabalhos Futuros

Conclusões Trabalhos Futuros

Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de produtos na Web 17.11.2005 Leandro Neumann Ciuffo

Add a comment

Related pages

Um Estudo de Caso para Verificar a Suscetibilidade a ...

iii Leandro Neumann Ciuffo Um Estudo de Caso para Verificar a Suscetibilidade a Incentivos de Avaliadores de Produtos na Web Dissertação de Mestrado ...
Read more

Um Estudo de Caso para verificar a suscetibilidade a ...

Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadores de produtos na Web. ... Caso para verificar a suscetibilidade a ...
Read more

Leandro Neumann Ciuffo Um Estudo de Caso para Verificar a ...

... de Caso para Verificar a Suscetibilidade a ... Um Estudo de Caso para Verificar a Suscetibilidade a Incentivos de Avaliadores de Produtos na Web ...
Read more

Incentivos para estudo de tecnologia na cpbr4 - Education

Download Incentivos para estudo de tecnologia na cpbr4. Transcript. 1.
Read more

Domínio Público - Detalhe da Obra

Um estudo de caso para verificar a suscetibilidade a incentivos de avaliadores de ... como a World Wide Web. Uma das técnicas mais utilizadas na ...
Read more

Completed supervision - ADDLabs - Laboratório de ...

Um estudo sobre o uso da ... Um estudo de caso para verificar a suscetibilidade a incentivos de ... Um modelo para análise de logs de utilização na web.
Read more

Recomendação para Grupos Através de Filtragem Colaborativa

Leandro Neumann Ciuffo Um Estudo de Caso para Verificar a Suscetibilidade a Incentivos de Avaliadores de Produtos na Web. UNIVERSIDADE FEDERAL FLUMINENSE ...
Read more

Mineração na Web – CIn/UFPE Emmanuel Tenório Thiago Fialho ...

Mineração na Web – CIn/UFPE ... Recomende, por favor, esta apresentação aos seus amigos noutra rede social para carregar. Botões estão em baixo ...
Read more

Augmenting Human Intelligence in Goal Oriented Tasks ...

Augmenting Human Intelligence in Goal Oriented Tasks. ... Um estudo de caso para verificar a suscetibilidade a incentivos de avaliadores de produtos na web.
Read more