Sistemas Baseados

em Similaridade

SISTEMAS DE RECOMENDAÇÃO:
C O M É R C I O E L E C T R Ó N I C O , H OT E L A R I A E
R E S TA U R A Ç Ã O

Ana Sofia Ferreira PG38356

Carolina Silva PG38335
Célia Figueiredo PG41022
Márcia Costa A67672
Samuel Costa PG38352
 • Definições e história

• Técnicas e características de SRs

• Vantagens para o promotor e para o alvo da

recomendação
Conteúdos
• Algoritmos de Machine Learning

• Exemplos característicos

• Conclusões
Definições e história
■ O primeiro Sistema de Recomendação a surgir foi o Tapestry1, criado
pelo centro de pesquisa Xerox Palo Alto. A razão que levou ao seu
desenvolvimento foi a crescente quantidade de e-mails recebidos,
principalmente os desnecessários.

■ Segundo, Ricci et al., os sistemas de recomendação são ferramentas

e técnicas de software que fornecem sugestões para itens que
provavelmente serão do interesse de um utilizador em particular.
Técnicas de SR
• Filtragem Colaborativa
• Baseada em modelos
• Usa um conjunto de avaliações para aprender um modelo, que é usado então para fazer as
previsões e recomendações. Podem ser utilizados algoritmos tais como: métodos de
agrupamento, redes Bayesianas ou regras de associação.
• Baseada em memória

Figura 1: Filtragem baseada no utilizador Figura 2: Filtragem baseada em itens.

Fonte (1 e 2): https://pt.slideshare.net/Drachsler/recsystel-lecture-at-advanced-siks-course-nl/34-

TechnologiesCollaborative_ltering_Userbased_ltering_Itembased
Técnicas de SR
• Recomendação Baseada em Conteúdo

Figura 3: Recomendação de itens baseada no

conteúdo

• Recomendação Demográfica

Figura 4: Recomendação de itens baseada no

perfil demográfico do utilizador.

Fonte: https://pt.slideshare.net/Drachsler/recsystel-lecture-at-advanced-siks-course-nl/35-
TechnologiesContentbased_ltering_Information_needs_of
Técnicas de SR
• Recomendação baseada no conhecimento
Os utilizadores querem definir explicitamente os seus requisitos, por exemplo, na escolha de um
restaurante ou um equipamento informático. Especificam os requisitos e o sistema
tenta encontrar uma solução.

• Baseada em casos
■ São usadas métricas de similaridade para identicar itens semelhantes aos requisitos
especificos dos clientes.

• Baseada em Restrições
■ Os itens recomendados são obtidos com base num conjunto de regras sobre a relação entre
os requisitos do cliente e os recursos do item.
Técnicas de SR
• Recomendação Hibrida
■ A abordagem híbrida surge na necessidade de combater os pontos fracos de cada uma das
técnicas referidas anteriormente.

• Meta-level
■ O modelo aprendido por uma recomendação é usado como input de outra

• Switching hybridization
■ O sistema troca entre as técnicas de recomendação dependendo da situação atual

• Mixed hybridization
■ Combinam resultados de recomendações de diferentes técnicas de recomendação
em simultâneo.
 Vantagens de sistemas de recomendação

Para o promotor Para o alvo

ü Diminuição da sobrecarga de informação a
ü Direcionar o tráfego
que os utilizadores estão sujeitos
ü Maior controlo de marketing e inventário
no momento da pesquisa
ü Aumento do envolvimento com os
clientes ü Permitem recomendações úteis e
ü Aumento da eficiência do controlo do relevantes
negócio ü Poupança de tempo
ü Aumento das vendas
ü Escolhas assertivas
Algoritmos de Machine Learning

Constraint
Artificial Neural
Decision Trees Satisfaction
Problem Networks

K-Nearest
Nave Bayers Support Vector
Neighbors
Classifier Machine (kNN)
 Artificial Neural Network Nave Bayers Classifier

Fonte: https://medium.com/@jamesdacombe/an- Fonte: https://towardsdatascience.com/introduction-

introduction-to-artificial-neural-networks-with-example- to-na%C3%AFve-bayes-classifier-fa59e3e24aaf
ad459bb6941b
 Support Vector Machine K-Nearest Neighbors (kNN)

Fonte: https://www.quora.com/How-can-I-use-a-Support- Fonte: https://www.kdnuggets.com/2019/07/classifyin

Vector-Machine-in-regression-tasks-SVM g-heart-disease-using-k-nearest-neighbors.html
Exemplos característicos

Comércio eletrónico Hotelaria e Restauração

 Conclusões

• O sucesso de um negócio depende muito da capacidade de

aproveitar os SRs;
• Os SRs apresentam vantagens tanto para o promotor, como
para o consumidor .
• As empresas na área
do comércio eletrónico, hotelaria e restauração utilizam
estes sistemas e o sucesso destes é de tal forma grande
que dependem da implementação de bons SRs.
Sistemas Baseados
em Similaridade
SISTEMAS DE RECOMENDAÇÃO:
C O M É R C I O E L E C T R Ó N I C O , H OT E L A R I A E
R E S TA U R A Ç Ã O