PROVA ONLINE_ 12 - Sistemas de Recomendação (2023)

Prévia do material em texto

<p>PROVA ONLINE</p><p>Entrega Sem prazo</p><p>Pontos 40</p><p>Perguntas 10</p><p>Limite de tempo 60 Minutos</p><p>Tentativas permitidas 2</p><p>Instruções</p><p>Histórico de tentativas</p><p>INSTRUÇÕES DA AVALIAÇÃO ON-LINE</p><p>- A prova tem a duração de 60 minutos.</p><p>- Ao clicar em PROVA ON-LINE, no menu “Testes” você iniciará a prova. Ao acessar a página com as questões, o tempo começa a ser contado.</p><p>- A prova é composta de 10 (dez) questões objetivas, sendo 04 (quatro) pontos cada.</p><p>- Ao final do teste não se esqueça de enviá-lo, clicando no botão “ENVIAR TESTE”. Só utilize esse botão quando tiver finalizado a avaliação.</p><p>- Se necessário, durante a prova, entre em contato pelo link “Atendimento”.</p><p>- Você terá 02 (duas) tentativas e, caso necessite de uma nova, será preciso solicitar a prova extra, que requer pagamento de taxa adicional.</p><p>Atenção: Todas as provas iniciadas e que não houverem sido submetidas serão automaticamente encerradas pelo sistema transcorridos os 60</p><p>minutos de duração.</p><p>Boa prova!</p><p>Fazer o teste novamente</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 1/11</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964/take?user_id=271431</p><p>Tentativa Tempo Pontuação</p><p>MAIS RECENTE Tentativa 1 12 minutos 40 de 40</p><p>Pontuação desta tentativa: 40 de 40</p><p>Enviado 31 ago em 15:23</p><p>Esta tentativa levou 12 minutos.</p><p></p><p>Pergunta 1</p><p>4 / 4 pts</p><p>Hoje em dia existem muitos sistemas destinados a avaliação de conteúdos que podem ser usados como feedbacks para fomentar modelos de</p><p>recomendação. Um exemplo é o IMDb, um sistema de avaliação de filmes. Neles os usuários podem atribuir notas, comentários, scores de</p><p>interesse e outros. O screenshot abaixo representa um exemplo de avaliação desse sistema:</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 2/11</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964/history?version=1</p><p>Ambos representam feedbacks implícitos.</p><p>O conteúdo 1 representa feedbacks implícitos, enquanto o 2 representa os explícitos.</p><p>Correto!</p><p>Assinale a alternativa que representa os tipos de feedbacks dos conteúdos destacados pelos números 1 e 2:</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 3/11</p><p>Ambos representam feedbacks explícitos.</p><p>O conteúdo 1 representa feedbacks explícitos, enquanto o 2 representa os implícitos.</p><p></p><p>Pergunta 2</p><p>4 / 4 pts</p><p>Correto!</p><p>Você pode combinar as três bases de dados em uma só, mas você precisa normalizar a escala de ratings (para valores entre 0-1, por exemplo) antes de juntar os</p><p>dados.</p><p>Você pode combinar as três bases de dados em uma só e simplesmente aplicar um processo de mean normalization após a junção dos dados para utilizá-los.</p><p>Não é possível combinar essas três bases de dados. Você precisa implementar um modelo de recomendação para cada uma delas.</p><p>Assumindo que pelo menos um item ou usuário de um sistema não exista em outro sistema, não é possível combinar as duas bases de dados porque está faltando</p><p>dados.</p><p></p><p>Pergunta 3</p><p>4 / 4 pts</p><p>Suponha que você é o dono de uma grande empresa online de filmes e projetou utilizar um modelo de filtragem colaborativa. Para fomentar o seu</p><p>modelo, você adquiriu dados já existentes de três plataformas de avaliação de filmes online (chamadas de A, B e C), em que os usuários acessam</p><p>e avaliam os filmes que já assistiram. Portanto, você pretende unir os três conjuntos de dados adquiridos para serem utilizados pelo mesmo</p><p>sistema. Contudo, no sistema A, usuários avaliam os filmes numa escala de 1 a 5 estrelas. Por sua vez, no sistema B, os usuários avaliam os</p><p>filmes na escala de 1 - 10 e valores decimais (e.g., 7.5) são permitidos. E no sistema C, os usuários avaliam em uma escala de 1 - 100. Você</p><p>também tem informações suficientes para identificar os usuários/itens de um sistema em outro.</p><p>Com base nessas informações, qual das alternativas é verdadeira?</p><p>Apesar de os modelos de recomendação não personalizados serem muito eficientes, eles possuem uma série de problemas.</p><p>Selecione a opção que não representa um problema desses modelos:</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 4/11</p><p>Correto!</p><p>Esses modelos não são capazes de lidar com usuários novos, porque precisam recomendar de acordo com as preferências dos usuários.</p><p>Esses modelos assumem que a utilidade de um item é a mesma para todos os usuários e, por isso, pode recomendar itens completamente distintos aos mesmos</p><p>usuários.</p><p>Esses modelos não levam em conta o contexto que o usuário está inserido, podendo realizar recomendações desconexas com aquilo que o usuário realmente deseja.</p><p>Esses modelos podem enviesar o consumo dos usuários para apenas uma parcela pequena de produtos e acabar deixando de lado itens potencialmente relevantes.</p><p></p><p>Pergunta 4</p><p>4 / 4 pts</p><p>F, V, F, V</p><p>Com base no conhecimento adquirido sobre cada uma das classes de recomendação, classifique como verdadeiras (V) ou falsas (F) as sentenças</p><p>a seguir:</p><p>( ) Técnicas de filtragem colaborativa correlacionam usuários e itens a fim de utilizar as informações dos mais semelhantes para recomendar as</p><p>melhores opções.</p><p>( ) Técnicas de filtragem baseada em conteúdo correlacionam itens por meio de suas características intrínsecas, como gênero de um filme, estilo</p><p>de uma música, etc.</p><p>( ) Técnicas não-personalizadas se baseiam no histórico de consumo do usuário alvo para predizer as suas recomendações futuras.</p><p>( ) Técnicas Knowledge-based são personalizadas, pois os usuários filtram por aquilo que mais desejam através de opções da interface do</p><p>sistema.</p><p>Realizada a classificação, assinale a alternativa que indica a sequência correta:</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 5/11</p><p>Correto!</p><p>V, V, F, V</p><p>V, F, V, F</p><p>F, F, V, F</p><p></p><p>Pergunta 5</p><p>4 / 4 pts</p><p>Um modelo de Filtragem Colaborativa User-User, pois esse método não depende dos ratings do usuário-alvo, explorando os ratings dos usuários vizinhos.</p><p>Um modelo de Filtragem Colaborativa baseado no SVD, pois esse método explora os fatores latentes dos usuários e itens.</p><p>Um modelo de Filtragem Colaborativa Item-Item, pois esse método não depende dos ratings dos usuários, explorando os ratings que os livros receberam.</p><p>Correto!</p><p>Recomendador Content-based, pois esse método não depende dos ratings dos usuários, explorando as características (e.g., título, autor, ano etc.) dos livros.</p><p></p><p>Pergunta 6</p><p>4 / 4 pts</p><p>Alterando o modelo KNN para um modelo mais simples, como uma estratégia não personalizada que recomenda os itens mais bem avaliados.</p><p>Alterando o modelo KNN para um modelo mais robusto, como por exemplo, um CF model-based com uma estratégia de Fatoração de Matrizes.</p><p>Correto!</p><p>Alterando o próprio modelo KNN para atribuir mais peso às revisões realizadas pelos críticos, simplesmente considerando duas ou três vezes as notas deles.</p><p>Você foi contratado para construir um sistema de recomendação para uma loja online de livros. Essa loja possui mais de 1 milhão de livros, mas</p><p>sua base de dados possui apenas 10.000 ratings. Qual dentre as opções abaixo apresenta o recomendador mais indicado para esse cenário e a</p><p>melhor justificativa para sua escolha?</p><p>Algumas estratégias de recomendação baseadas em collaborative filtering utilizam o K-Nearest Neighbours (KNN) para definir grupos de vizinhos</p><p>(i.e., usuários com interesses em comum) e, assim, identificar preferências. Em geral, nesses modelos, a predição de um rating ocorre pela média</p><p>das notas que os vizinhos atribuíram ao item-alvo (soma das notas dividido pelo número de vizinhos). Contudo, imagine que o seu sistema possua</p><p>alguns usuários que são críticos profissionais e que suas opiniões são mais importantes que dos demais usuários.</p><p>Como você poderia</p><p>modificar o seu sistema para enviesar a predição com as notas dos críticos?</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 6/11</p><p>Alterando o modelo KNN para um modelo CF item-item, que considere as notas dos itens individualmente.</p><p></p><p>Pergunta 7</p><p>4 / 4 pts</p><p>Correto!</p><p>Essa estratégia é mais eficaz e eficiente que as estratégias tradicionais, uma vez que o modelo consegue extrair relações não triviais entre os dados e é capaz de</p><p>reduzir a dimensionalidade dos dados.</p><p>Essa estratégia é mais eficiente que as estratégias tradicionais, pois consegue reduzir a dimensionalidade dos dados, mas é menos eficaz, pois não consegue extrair as</p><p>relações entre tópicos e documentos.</p><p>Essa estratégia é mais eficaz que as estratégias tradicionais, pois consegue extrair relações não triviais entre os dados, mas é menos eficiente, pois lida com um maior</p><p>volume de dados.</p><p>Essa estratégia não é mais eficaz e nem mais eficiente que as estratégias tradicionais por se tratar de um modelo complexo que não funciona bem na prática.</p><p>O modelo de Dirichlet é utilizado com base para o LDA, um dos principais algoritmos de extração de tópicos latentes. Em linhas gerais, o modelo</p><p>extrai e associa um conjunto de k tópicos aos m documentos e as n palavras do domínio, tal qual mostrado pela representação plate notation</p><p>abaixo:</p><p>Sabendo que eficácia refere-se à qualidade do modelo e eficiência ao seu custo computacional, identifique as principais diferenças do LDA para as</p><p>estratégias de content-based tradicionais:</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 7/11</p><p></p><p>Pergunta 8</p><p>4 / 4 pts</p><p>I: Content-based que explora as características dos itens; II: Collaborative filtering que correlaciona itens; III: Content-based adaptado para as características dos</p><p>usuários.</p><p>I: Não personalizado que não considera o usuário; II: Content-based tradicional; III: Collaborative filtering que correlaciona usuários pelos seus ratings.</p><p>I: Collaborative filtering que correlaciona usuários pelos seus ratings; II: Não personalizado que não considera o usuário; III: Content-based tradicional.</p><p>Correto!</p><p>I: Não personalizado que não considera o usuário; II: Content-based tradicional; III: Content-based adaptado para as características dos usuários (idade, sexo etc.).</p><p></p><p>Pergunta 9</p><p>4 / 4 pts</p><p>Apesar dos recentes avanços em Sistemas de Recomendação, existem diversos problemas que ainda são desafios em aberto. Entre eles,</p><p>destacam-se:</p><p>I. User Cold-Start: quando um novo usuário é adicionado ao sistema e o modelo não possui nenhuma informação anterior associada a esse</p><p>usuário.</p><p>II. Item Cold-Start: quando um novo item é adicionado ao sistema e o modelo não possui nenhum rating associado a esse item.</p><p>III. Gray-Sheep: quando o modelo possui pouquíssimos ratings de um usuário e não consegue correlacioná-lo com nenhum outro pelos métodos</p><p>de correlação tradicionais.</p><p>Indique qual afirmativa lista os métodos mais indicados para apresentar possíveis soluções para esses problemas:</p><p>Na prática, quando um usuário acessa um sistema real pela primeira vez, o sistema não sabe quase nada sobre ele e não consegue gerar</p><p>recomendações específicas para as suas preferências. Esse problema é conhecido como user cold-start e ainda é um dos principais desafios dos</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 8/11</p><p>Correto!</p><p>Estratégias de similaridade de conteúdos (e.g., content-based) que levam em conta as características dos itens do domínio.</p><p>Estratégias de entrevista (a.k.a., preference elicitation) que apresenta alguns itens do domínio ao usuário e o pede para classificá-los.</p><p>Estratégias não personalizadas, que não levam em conta as informações passadas do usuário alvo para gerar as recomendações.</p><p>Estratégias de coleta de informações que pede ao usuário para logar com o Facebook, Gmail, ou similar, para que o sistema tenha acesso a informações prévias dele.</p><p></p><p>Pergunta 10</p><p>4 / 4 pts</p><p>cenários reais. Por essa razão, algumas estratégias foram desenvolvidas para lidar com esse problema.</p><p>Todas as alternativas a seguir representam uma estratégia compatível para esse problema, exceto:</p><p>Na maioria dos cenários de recomendação, a distribuição de popularidade dos itens (i.e., número de vezes que os itens foram vendidos, assistidos</p><p>e/ou visualizados) consiste em uma distribuição exponencial. Nela, existe um pequeno grupo de itens que são muito populares (a.k.a., head) e um</p><p>grande grupo de itens que são pouco populares (a.k.a., tail), tal qual mostra a figura abaixo.</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 9/11</p><p>Fonte: https://marcomoura.wordpress.com/2006/09/26/long-tail-e-como-a-grande-baleia-azul-que-se-alimenta-de-camaroes/ (https://marcomoura.wordpress.com/2006/09/26/long-tail-e-como-a-grande-baleia-azul-</p><p>que-se-alimenta-de-camaroes/)</p><p>Sobre essa distribuição, classifique como verdadeiras (V) ou falsas (F) as seguintes sentenças:</p><p>( ) Os itens da cabeça da distribuição (head) são mais propensos a serem recomendados pois existe mais informação sobre eles no sistema.</p><p>( ) Recomendar itens da cauda da distribuição (tail) pode ser interessante pois esses itens são mais raros, podendo surpreender o usuário e</p><p>agregar valor ao sistema.</p><p>( ) Recomendar itens da cauda da distribuição (tail) é mais fácil que itens da cabeça (head), pois existem mais itens disponíveis.</p><p>( ) Uma boa recomendação deve apenas se preocupar com os itens da cabeça da distribuição (head), pois são os preferidos para os usuários.</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 10/11</p><p>https://marcomoura.wordpress.com/2006/09/26/long-tail-e-como-a-grande-baleia-azul-que-se-alimenta-de-camaroes/</p><p>https://marcomoura.wordpress.com/2006/09/26/long-tail-e-como-a-grande-baleia-azul-que-se-alimenta-de-camaroes/</p><p>https://marcomoura.wordpress.com/2006/09/26/long-tail-e-como-a-grande-baleia-azul-que-se-alimenta-de-camaroes/</p><p>https://marcomoura.wordpress.com/2006/09/26/long-tail-e-como-a-grande-baleia-azul-que-se-alimenta-de-camaroes/</p><p>V, F, F, V</p><p>F, F, V, V</p><p>F, V, V, F</p><p>Correto!</p><p>V, V, F, F</p><p>Pontuação do teste: 40 de 40</p><p>Realizada a classificação, marque a alternativa que indica a sequência correta:</p><p>31/08/2024, 15:23 PROVA ONLINE: 12 - Sistemas de Recomendação (2023)</p><p>https://pucminas.instructure.com/courses/146804/quizzes/398964 11/11</p>