Modelo de Trabalho de Conclusão cico



Baixar 7,33 Mb.
Página5/48
Encontro01.07.2018
Tamanho7,33 Mb.
1   2   3   4   5   6   7   8   9   ...   48

Contextualização


A sobrecarga de informação existente na web na atualidade, resultado de um elevado crescimento da quantidade de informação e a má organização da mesma, originou uma realidade onde a sua qualidade não condiz com a sua quantidade, fazendo com que parte dessas informações não possua relevância para os usuários a quem se destinam. Diante disso, métodos de filtragem e direcionamento da informação para aqueles que realmente detêm o seu interesse são desejáveis. Com o intuito de minimizar esse efeito, surgem os sistemas de recomendação (PRIMO; LOH, 2006). No entanto, para que este recurso seja realmente eficaz, é imprescindível que haja um nível de conhecimento expressivo daquele a quem se destina tal informação, para que, ao final do processo, o sistema possa identificar usuários oriundos de informações explícitas (interesses) ou implícitas (comportamento) (CAZELLA; NUNES; REATEGUI, 2010). Para Marques (2007), sistemas de recomendação são sistemas que ajudam o usuário a obter informações com base em previsões de seus interesses.

Um dos sistemas precursores nesta área foi o RINGO, o qual recomendava músicas para usuários com base no perfil constituído a partir de informações declaradas de forma explícita, a partir disso, o sistema se ajustava conforme sua utilização aumentasse (PIMENTEL; FUKS, 2011, p. 233). O Tapestry, outro sistema pioneiro em recomendações, era uma aplicação de e-mail que defendia que a filtragem da informação se daria de forma mais eficaz se as pessoas estivessem envolvidas no processo de filtragem. Tal sistema utilizava a técnica híbrida para realizar as recomendações, melhorando o processo de filtragem de informações baseado nas ações que os indivíduos tomavam ao ler as mensagens (REIS, 2012).

Em se tratando de mercado, os sistemas de recomendação são extremamente úteis, podendo ser aplicados nas mais diversas áreas, no entanto, algumas dessas áreas representam alguns desafios encontrados para sistemas desta natureza. Considerando que a necessidade de personalização do relacionamento entre clientes e empresas é cada vez maior, sistemas de recomendação podem ser utilizados, por exemplo, para a sugestão de produtos à clientes que estejam comprando via telefone, automatizando o processo realizado por equipes de call-center. Outro ponto desafiador para os sistemas de recomendação está relacionado à web semântica, processo que define linguagens capazes de gerar informação de modo que um computador consiga processá-la. Dessa forma, saber o contexto em que uma palavra esteja sendo utilizada deixaria de ser uma limitação dos sistemas de recomendação, considerando que atualmente, tais sistemas utilizam algoritmos para extrair informações diretamente de uma base de dados (CAZELLA; NUNES; REATEGUI, 2010).

    1. Métodos


A seguinte seção apresenta os principais métodos aplicados aos sistemas de recomendação, destacando suas características preponderantes e suas limitações.
      1. Filtragem Colaborativa


As técnicas colaborativas baseiam-se nas interações realizadas, através da troca de experiências, entre usuários que possuam perfis semelhantes com base em áreas de interesse em comum (CAZELLA; NUNES; REATEGUI, 2010). Os primeiros sistemas de recomendação que utilizavam métodos colaborativos dependiam da explícita indicação de itens de interesse aos usuários, sendo possível estabelecer uma correlação entre perfis de usuários, gerando grupos de indivíduos com interesses semelhantes. Entretanto, posteriormente, sistemas automatizados substituíram este processo atribuindo aos itens uma pontuação dada pelos usuários, a qual representa as experiências com tal item e serve como tomada de decisão por parte dos demais usuários (HERLOCKER, 2000 apud MACK, 2010). Tal método é considerado um dos mais utilizados nos sistemas de recomendação (REIS, 2012).

Essa técnica de recomendação prevê a execução de três etapas: (i) mensurar o peso de cada usuário com relação ao usuário alvo, utilizando-se de uma métrica de similaridade. (ii) definição de um grupo de indivíduos com maiores níveis de similaridade entre si a serem considerados na predição. (iii) calcular as predições, normalizando as avaliações dadas pelos usuários relativas ao item analisado na recomendação, ponderando as avaliações dos demais usuários considerando seus respectivos pesos de similaridade (JESUS, 2011).

Entretanto, os métodos colaborativos de recomendação apresentam algumas limitações quanto à sua utilização (REIS, 2012):


  • Novo item: No momento em que um item é inserido no sistema, o mesmo não poderá ser recomendado até o momento em que nenhum usuário o tenha classificado.

  • Novo utilizador: Quando um usuário ingressa no sistema, ele não possui associado ao seu perfil, avaliações realizadas sobre determinados itens, consequentemente se torna inviável a definição de seus usuários vizinhos na rede. Como o sistema precisa conhecer quais as preferências do indivíduo, nesse momento o sistema não é capaz de efetuar recomendações precisas sobre quaisquer itens.

  • Utilizador incomum: Usuários com perfis muito diferenciados não recebem recomendações pois os mesmos possuem poucas características em comum com a maioria dos demais indivíduos.

  • Esparsidade: A medida que o número de itens aumenta, diminui a probabilidade de os usuários possuírem itens de interesse em comum, reduzindo o número de indivíduos vizinhos, tornando as recomendações menos confiáveis.

  • Escalabilidade: Ocorre quando o número de usuários, itens e suas avaliações chega à um número muito grande, acarretando em um alto processamento necessário para a correta identificação das recomendações de itens aos indivíduos.

  • Transparência e Privacidade: Trata-se da resistência de alguns usuários em fornecer informações que julguem induzir questões relacionadas à sua privacidade. Tal fato ocorre, pois, em muitos sistemas de recomendação, o utilizador não possui conhecimento de como suas informações serão utilizadas.
      1. Baseados em conteúdo


A principal meta dos métodos de filtragem baseados em conteúdo é gerar automaticamente descrições de conteúdo dos itens e compará-los com os interesses dos usuários, analisando se tal item é, de fato, relevante para algum usuário (BALABANOVIC; SHOHAM, 1997 apud CAZELLA; NUNES; REATEGUI, 2010). Os artigos de maior interesse de cada indivíduo são aprendidos a partir de suas características, as quais formam o perfil de um item dentro do sistema, este perfil possui um conjunto de características que representam o item em questão, como por exemplo a marca de um item no setor vestuário. O sistema define então, pesos que determinam a importância de cada característica de um item para o usuário, definindo assim, se tal item corresponde às preferências do indivíduo (REIS, 2012). Essa técnica baseia-se no pressuposto de que os usuários possuem maior interesse por itens que tenham demonstrado interesse anteriormente, definindo a similaridade entre tais itens (HERLOCKER, 2000 apud CAZELLA; NUNES; REATEGUI, 2010).

Contudo, esta técnica apresenta algumas limitações no que diz respeito


à sua utilização, conforme descrito:

  • Análise de conteúdo limitada: Esta técnica não apresenta um nível satisfatório na análise de conteúdo quando não se trata de conteúdo textual, pois a extração e a análise de material multimídia, como por exemplo imagem, som e vídeo, requer uma complexa análise para que seja possível extrair atributos relevantes dos mesmos.

  • Superespecialização: Para o pleno funcionamento dessa abordagem, deve ter sido realizado um número expressivo de avaliações dos itens por parte do usuário, com o intuito das recomendações serem precisas. Dessa forma novos usuários, que por sua vez, tenham realizado poucas avaliações, tendem a não receber recomendações precisas.
      1. Híbridos


A adoção dos métodos híbridos implica em mesclar os demais tipos de sistemas de recomendação com o intuito de combinar as vantagens e atenuar as desvantagens evidenciados em um método específico (REIS, 2012). Este método aborda os conceitos discutidos nas técnicas filtragem colaborativa e filtragem baseada em conteúdo, as quais foram apresentadas anteriormente, conforme apresentado na Figura 3 .3.

Figura 3.3 - Filtragem híbrida



Fonte: CAZELLA; NUNES; REATEGUI (2010)

Segundo Barbosa (2014), existem estratégias que podem ser adotadas, combinando diferentes técnicas de recomendação. Dentre essas técnicas destacam-se:


  • Ponderada: os resultados das abordagens filtragem colaborativa e filtragem baseada em conteúdo são implementados separadamente e combinados seus resultados.

  • Mista: são geradas recomendações a partir da técnica de filtragem colaborativa e filtragem baseada em conteúdo, sendo apresentadas, ao final do processo, o resultado de ambas abordagens.

  • Combinação sequencial: os perfis criados com base na filtragem baseada em conteúdo são, posteriormente, utilizados na avaliação do nível de similaridade através do método de filtragem colaborativa.

  • Comutação: a partir da utilização de algum critério, tal abordagem define entre a utilização de filtragem colaborativa e filtragem baseada em conteúdo, considerando a que melhor atende tal critério. Neste cenário, é possível realizar a troca da técnica utilizada, quando esta tende a apresentar desvantagens de algum quesito em relação à outra.


1   2   3   4   5   6   7   8   9   ...   48


©livred.info 2017
enviar mensagem

    Página principal