Modelo de Trabalho de Conclusão cico



Baixar 7,33 Mb.
Página6/48
Encontro01.07.2018
Tamanho7,33 Mb.
1   2   3   4   5   6   7   8   9   ...   48

Exemplos


Esta seção exemplifica a utilização de sistemas de recomendação em aplicações reais, destacando a maneira como é definido o modelo de sistema de recomendação adotado em cada uma das aplicações abordadas.
      1. Amazon


O sistema de recomendação da Amazon possui algumas técnicas para sugestão de itens aos seus usuários, as quais são oriundas de diferentes contextos no que diz respeito à utilização da aplicação.

A páginas do site são construídas de forma customizada para cada usuário, onde sua construção baseia-se na avaliação do perfil do utilizador para diagramar automaticamente as páginas que compõem o site, buscando oferecer um conteúdo relevante. Tal avaliação considera dados coletados, implicitamente, a partir do histórico de navegação e da avaliação de itens por parte do usuário para definir o perfil do mesmo e realizar as recomendações. Além disso, há a possibilidade de o usuário moldar seu perfil de forma explícita no sistema, avaliando os itens comprados, itens que tenha gostado, itens que tenha interesse ou não (CONSONI, 2014).

Com base no perfil de usuário constituído a partir de seu histórico de navegação e nas suas avaliações realizadas no sistema, a aplicação apresenta aos indivíduos, páginas personalizadas com suas preferências com o intuito de tornar as necessidades de busca do usuário em uma relação dos itens disponíveis, facilitando o acesso ao conteúdo de seu interesse. Tal relação de itens recomendados são gerados de forma automática, através de um sistema de recomendação que utiliza uma abordagem híbrida para sua concepção. Para este fim, é utilizada técnica de filtragem baseada em conteúdo, onde são avaliados os itens que o usuário tenha demonstrado interesse no passado para recomendar outros itens similares que possam ser de seu interesse. Também é feito uso da técnica de filtragem colaborativa, relacionando os itens visualizados pelo usuário com os itens visualizados por outros usuários. Entretanto, visto que as recomendações personalizadas são originadas com base no estereótipo do perfil do usuário, há a possibilidade de causar o problema descrito como especialização, onde o usuário passa a receber somente recomendações de um gênero muito específico (CONSONI, 2014).

O sistema também fornece recomendações baseadas em popularidade, onde são relacionados os itens que apresentem maior número de visitas, vendas e encomendas. Tais itens recebem destaque na aplicação, sendo apresentados na primeira página de cada seção do site. Contudo, esta abordagem acarreta em um cenário onde os itens mais populares tendam a ficar cada vez mais populares. Com o intuito de atenuar esse problema, a Amazon atualiza as recomendações por popularidade de hora em hora, fazendo com que novos itens ganhem destaque frente aos itens mais populares (CONSONI, 2014).


      1. YouTube


Fundado em 2005, o YouTube é considerado o maior sistema de recomendações de vídeos (DAVIDSON et al., 2010). A aplicação utiliza em seu sistema de recomendação o método de filtragem baseada em conteúdo, considerando que as recomendações são baseadas em vídeos recentemente visualizados pelo usuário, com o intuito de estabelecer o contínuo interesse do mesmo, refletindo assim, sua recente atividade no site. Dessa forma, o sistema gera recomendações personalizadas aos usuários em função do histórico de atividades pessoais do mesmo, principalmente na utilização dos recursos de consulta e de navegação. Através destes recursos, o sistema identifica o possível conjunto de vídeos que detenham maior interesse por parte do usuário, com isso, o indivíduo é direcionado a tal conteúdo (LEAL, 2013). Para viabilizar recomendações personalizadas, o YouTube combina as regras de associação de vídeos com a interação do usuário no sistema, a qual inclui os vídeos que tenham sido visualizados, marcados como favoritos, classificados, adicionados à lista de reprodução e também aqueles que tenham sido marcados com indicativos do gosto do indivíduo (DAVIDSON et al., 2010).
      1. Netflix


O sistema de recomendação existente na Netflix utiliza o método de filtragem baseada em conteúdo e funciona de modo que os filmes assistidos e avaliados sejam levados em consideração para as posteriores recomendações. Diante disso, estima-se que de 75 a 80% das obras assistidas sejam provenientes de recomendações ao invés de buscas realizadas, resultando em uma expectativa de, futuramente, serem sugeridas ao usuário apenas 3 ou 4 obras, uma vez que estas são exatamente as que o usuário tem interesse em assistir. Procurando melhorar seus mecanismos de recomendação, a empresa criou o Netflix Prize, competição que consistia em desenvolver um algoritmo para estimar avaliações dos filmes por parte dos usuários (TAKAHASHI, 2015).
      1. eBay


O site de leilões on-line eBay possui mais de uma abordagem de geração de recomendações ao usuário, sendo que utiliza a técnica de recomendação híbrida. Dentre as estratégias existentes, a denominada direito de resposta, a qual utiliza o método de filtragem colaborativa, consiste em permitir aos envolvidos na negociação (compradores e vendedores), avaliarem um ao outro, de acordo com o nível de satisfação com a realização da operação. Tal avaliação constitui uma pontuação, que define a reputação de cada indivíduo envolvido na transação, sendo que, quando mais positiva, mais confiável é o negociante, por outro lado, quanto mais negativa, menos confiável é o negociante. Outra abordagem presente no sistema, chamado comprador pessoal, que utiliza o método de filtragem baseada em conteúdo, permite aos compradores indicarem os itens que detêm interesse para que, dentro de uma periodicidade definida, o sistema lhes envie resultados de buscas para os respectivos itens (CAZELLA, 2006).
      1. MercadoLivre


O site de comércio eletrônico MercadoLivre, fundado em 1999, possui uma estratégia de recomendação que utiliza a técnica de filtragem colaborativa, possibilitando que os usuários compradores forneçam suas constatações sobre os produtos e os vendedores envolvidos na negociação. Tais opiniões servem como base para tomada de decisão de outros usuários que possuam interesse no mesmo produto ou estejam em negociação com o mesmo vendedor. A avaliação pode ser realizada através de nota atribuída pelo comprador ao vendedor, e também através da possibilidade de informar uma avaliação sobre a transação de forma textual no sistema (SAMPAIO, 2006).
    1. Cenário de Redes Sociais


Como já discutido nesta tese, rede social é uma das maneiras existentes de representação dos indivíduos e seus relacionamentos, formados através de interesses recíprocos. Assim, as redes sociais servem como base para sistemas de recomendação que tenham, como foco principal, a abordagem social. Dessa forma, em qualquer rede social, o usuário faz uso da avaliação realizada por outros membros que já tenham obtido informações sobre determinado item, permitindo que os indivíduos tenham acesso à informação desejada de forma mais fácil (MARQUES, 2007).

Dentro do contexto de redes sociais, o número de membros pertencentes à rede pode ser extremamente alto. Diante disso, com o intuito de facilitar o estabelecimento dos vínculos, sistemas como Facebook e LinkedIn recomendam pessoas aos demais indivíduos da rede, auxiliando na formação do maior número de conexões estabelecidas com outros usuários, e consequentemente, aumentar o interesse dos mesmos pelo site. Muitos algoritmos de recomendação de pessoas utilizam dados baseados na topologia da rede para sugerir vínculos entre os indivíduos. Para tal, considerando que duas pessoas tenham muitos amigos em comum, possivelmente, tais usuários venham a ser amigos. Tal abordagem é utilizada em redes sociais como Facebook e MySpace. Além desta, diversas outras abordagens podem ser adotadas para a identificação de possíveis vínculos a serem recomendados como, por exemplo, a utilização de informações demográficas e de conteúdo. Entretanto, buscando apresentar melhores recomendações, é possível basear-se no comportamento do usuário da rede social para identificar conexões que apresentem similaridades relevantes entre si, equiparando à abordagem adotada na proposta deste trabalho. Contudo, a recomendação de pessoas implica em relações pessoais que devem ser levadas em consideração, diferentemente de recomendações de itens de qualquer outra natureza, tornando este tipo de recomendação uma atividade complexa (MARTINS, 2013).

A publicidade presente nas redes sociais é outro indício do processo de direcionamento da informação aos usuários mediante processo de recomendação. Como os usuários presentes na rede recebem e compartilham muita informação, a rede se torna um local propício para estratégias de marketing, onde usuários são instigados a compartilhar anúncios de marcas e produtos com seus amigos (BENEVENUTO, 2010). As estratégias de publicidade são os elementos que proporcionam retorno financeiro às redes sociais. A rede social Facebook, por exemplo, possibilita aos usuários criarem anúncios, definindo o valor a ser gasto e o modo como serão aplicados os recursos com os anúncios criados. Na definição dos anúncios, o usuário define a forma com que o sistema de recomendação deve tratar os anúncios disponibilizados aos usuários da rede, diferenciando entre: (i) aspectos de localização, atingindo clientes em áreas geográficas específicas; (ii) dados demográficos, tangendo indivíduos com base na idade, gênero, idioma; (iii) interesses, buscando pessoas que demonstrem interesse pelo área de atuação da entidade anunciadora; (iv) comportamentos, atingindo pessoas com base em seu comportamento de compras; (v) conexões, tangendo indivíduos que demonstrem interesse em seu anúncio, e também, suas conexões (FACEBOOK, 2015).

  1. SISTEMAS DE REPUTAÇÃO


Este capítulo contextualiza sistemas de reputação. Em seguida, são apresentados os principais modelos para definição de reputação de usuários, exemplificando aplicações que utilizam este tipo de sistema. Por fim, demonstra a utilização de sistemas de reputação no cenário de redes sociais.
    1. Contextualização


Com o constante avanço das tecnologias, muitas circunstâncias em que pessoas e máquinas interagem entre si necessitam a identificação da confiabilidade dos atores envolvidos na interação. Em ambientes virtuais, é extremamente desejável a adoção de ferramentas capazes de realizar uma melhor avaliação do risco a que se possa estar sendo submetido (MANOEL, 2012).

A reputação de um usuário perante a rede é um dos principais valores constituídos em redes sociais on-line. Apesar de ser tratada como a confiança definida para um indivíduo, o conceito pode ser compreendido como as informações obtidas pelos usuários a respeito das demais pessoas, utilizando-se de tais informações para auxiliar nas tomadas de decisão sobre os outros atores da rede. Diante disso, é correto afirmar que a percepção de um usuário, percebida através de sua reputação, não depende exclusivamente de suas próprias ações, já que fica dependente do entendimento de outros indivíduos (RECUERO, 2009). Como já evidenciado, reputação e confiança são conceitos que, apesar de relacionados, não estão diretamente vinculados, pois reputação é algo mais mensurável que confiança. A partir desta concepção, sistemas de reputação são formas de detectar atores de uma rede que possuem uma boa reputação (MANOEL, 2012).

Os sistemas de reputação são categorizados em centralizados e distribuídos. Nos sistemas centralizados, as avaliações enviadas pelos atores são processadas por uma entidade central que, posteriormente, repassa o resultado deste processamento para os demais integrantes. Já nos sistemas distribuídos, não há uma entidade central que faça processamento das avaliações, ou seja, os próprios atores realizam, através da troca de informações, o cálculo da reputação com base nas avaliações recebidas (JOSANG; ISMAIL; BOYD, 2007 apud MANOEL, 2012). Estes sistemas são compostos por cinco etapas: (i) entrada: realização da coleta das informações; (ii) processamento: apuração do cálculo com base nas avaliações feitas pelos atores; (iii) armazenamento: as informações computadas sobre a reputação dos indivíduos podem ser armazenadas de duas formas, em alguma entidade central ou diretamente nos nós da rede, esta última torna mais difícil o mapeamento das reputações, uma vez que para recuperá-las, deve-se realizar uma busca na rede; (iv) saída: processo de divulgação do processamento das reputações coletadas; (v) retorno: garante a veracidade do valor apurado da reputação, sendo que em alguns sistemas, há a possibilidade dos atores opinarem sobre o cálculo realizado (LIU, 2010 apud GUERRA, 2012). Tais etapas são exemplificadas na Figura 4 .4.

Figura 4.4 - Estrutura de sistemas de reputação



Fonte: GUERRA (2012)

Para a concepção de um sistema de reputação, algumas premissas básicas devem ser seguidas: (i) os atores envolvidos devem possuir um tempo mínimo de existência na rede para que suas ações possam ser consideradas na apuração, além disso, sua má conduta, se existir, deve ser punida. (ii) considerar a vontade dos atores em aferir pontos aos demais indivíduos da rede, sendo necessário, em certos momentos, a oferta de algum tipo de incentivo aos indivíduos. (iii) as avaliações realizadas anteriormente devem intervir nas avaliações atuais (RESNICK, 2000 apud LIMA, 2010). Contudo, sistemas de reputação não são concebidos a partir de uma única fórmula, ou seja, o modelo que se encaixe em um sistema, pode não se adaptar em outro. Tal fato ocorre, pois, as finalidades das redes nem sempre são as mesmas (TABORDA, 2008 apud LIMA, 2010).

Entretanto, os sistemas de reputação da atualidade ainda sofrem com problemas relativos à avaliação do valor de reputação dos atores. Dentre esses problemas, destaca-se a indevida relevância das avaliações realizadas injustamente por membros do sistema, onde os mesmos possam se passar por outras pessoas, emitindo falsas avaliações que interfiram no resultado final da apuração (MANOEL, 2012).




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


©livred.info 2017
enviar mensagem

    Página principal