Sistemas de Recomendação: Desvendando uma parte da mágica!

PorRhau Fazul

Sistemas de Recomendação: Desvendando uma parte da mágica!

            O PET-SI está trazendo mais uma vez, quentinho do forno, a quarta edição do nosso velho conhecido PET-Redação. Nesta edição, falaremos um pouco sobre o maravilhoso mundo dos Sistemas Recomendados.

            Ao navegar pela internet você já se deparou com frases como Quem viu este produto, viu também…”, Clientes que compraram este item também compraram… e “Frequentemente comprados juntos…” ? Ou quem sabe, ao assistir um filme ou ouvir uma música, encontrou, dentre as sugestões, alguma outra produção que se encaixava direitinho com seu gosto? Estas pequenas e inocentes situações, normalmente, possuem por trás um forte (ou nem tanto) sistema de recomendação!

            Os sistemas de recomendação são uma subárea de aprendizagem de máquina (machine learning) que tem por objetivo fazer novas sugestões que possam vir a ser de interesse do usuário, com base em seu histórico e perfil ou nas escolhas feitas por outras pessoas com gostos semelhantes. São amplamente utilizados como uma estratégia de marketing por empresas de e-commerce, já que ao recomendar algo alinhado ao interesse do usuário, aumenta a chance de que ele venha adquirir tal produto.

            Por isso não é muito difícil de entender porque, por exemplo, uma empresa como a Netflix ofereceu um prêmio de US$ 1 milhão para qualquer um que conseguisse aprimorar um pouco seu algoritmo de recomendação. E isso ainda em 2009!

            É claro que um sistema de recomendação eficaz é bastante complexo, seu desenvolvimento envolve diversos fatores, tais como: Criação do perfil do usuário e tipos de coleta de informações; Utilização de dados complementares para comparação; Técnicas de Filtragem distintas; (Re)calibração de pesos e avaliações; Tratamento das tão temíveis Ovelhas Negras (Gray Sheep), que se caracterizam por novos comportamentos descobertos que não seguem o padrão inicial;  Desempenho e precisão, dentre outros.

 

 

            A seguir serão descritas as três abordagens usuais de recomendação. Vale ressaltar que existem diversos outros paradigmas, mas como a ideia aqui é passar uma noção inicial a respeito de sistemas de recomendação, não há como abordar a fundo todas as suas características e particularidades.

 

Tipos de sistemas de recomendação

Filtragem Colaborativa

            Recomenda ao usuário itens que pessoas com gosto semelhante preferiram no passado. Em um cenário de recomendação de livros, por exemplo, se dois usuários avaliarem muito bem o livro “Harry Potter e a Pedra Filosofal” e, em seguida, o primeiro deles avaliar muito bem o livro “A Game of Thrones”, é provável que o segundo usuário receba este último livro como recomendação de leitura.

            Uma vantagem importante nesse tipo de abordagem é que a filtragem colaborativa é independente das propriedades específicas do item. Tudo o que você precisa para começar é IDs de usuário e item, e alguma noção de preferência desses usuários para os itens. Contudo, como desvantagem, requer grande número de informações sobre o usuário e usuários com perfil similar para funcionar corretamente.

 

Baseado em conteúdo

            Recomenda ao usuário produtos que sejam semelhantes ao que ele preferiu no passado. Em um cenário de recomendação de filmes, um usuário que assiste e gosta do filme “Star Wars” teria, por exemplo, recomendações de filmes do gênero fantasia e ficção científica.

            A principal vantagem da recomendação baseada em conteúdo sobre a filtragem colaborativa é que ele não requer tanto feedback do usuário para começar.  Entretanto, um problema surge quando a similaridade de itens não é tão facilmente definida, o que pode resultar em recomendações bastante homogêneas e repetitivas.

 

Sistemas híbridos

            Como o próprio nome já diz, combina diversas abordagens para aprimorar pontos negativos e possibilitar recomendações superiores. Uma ilustração simples desse tipo de sistema pode ser vista na imagem à seguir:

 

Por fim, alguns dados interessantes…

  • ⅔ dos filmes vistos na Netflix vem de recomendações;
  • 38% das notícias clicadas no Google News vem de recomendações;
  • 35% das vendas da Amazon vem de recomendações.

            Assim, como vimos, Sistemas de Recomendação é uma área que deve continuar em alta por muito tempo. Para ajudar aqueles que desejam ler mais sobre o tema, será deixado uma série de links relacionados. Lembrando que com uma busca rápida na internet, também é possível encontrar diversos tutoriais de como começar a implementar esses sistemas na prática, o que, sem dúvida, é muito interessante para aqueles que desejam se aprofundar no assunto.

Referências e Links úteis

1 – MIT Technology ReviewO Maior Desafio dos Sistemas de Recomendação

2 – IBM DeveloperWork Aplicando Sistemas de Recomendação em Situações Práticas

3 – LinkedIn Sistemas de recomendação: Melhorando a experiência do usuário

4 – Yanir SeroussiThe Wonderful World of Recommender Systems

5 – IST Web Basic Approaches in Recommendation Systems

6 – Tecnoblog –   O algoritmo da Netflix que sugere filmes é bem mais complexo do que você imagina

7 – Apoio BCC Sistemas de recomendação de notícias na Internet baseados em filtragem colaborativa

Avaliação

Antes de você partir gostaria de pedir sua ajuda para avaliar nossa atividade, é com sua colaboração que o grupo PET-SI vai melhorar ainda mais os conteúdos aqui abordados. Por favor, preencha o formulário neste LINK e nos ajude <3

Redações Anteriores

2 – O Docker e seus containers: a nova era da virtualização! 

1 – Uma Introdução aos Conceitos e Utilização do Big Data 

0 – Por que utilizar o Sublime Text? 

 

Comentários não são aceitos para este Post!!!