Apresentação 2018 17JIC DéboraMNFerreira

Dinâmicas de Produção de Conhecimento e
Comunicação na Ciência Aberta: vetores de

inovação e desenvolvimento de 17ª JIC
institucionalidades positivas
SISTEMAS DE RECOMENDAÇÃO
BASEADOS EM FILTRAGEM
COLABORATIVA APLICADOS À
RECUPERAÇÃO DA INFORMAÇÃO NA WEB
Universidade Federal do Estado do Rio de Janeiro – UNIRIO
Débora Milena Niedzeilski Ferreira (bolsista): deboraniedzeilski@hotmail.com
Ludmila dos Santos Guimarães (orientadora): lguimaraes2007@gmail.com
Departamento de Biblioteconomia; Escola de Biblioteconomia
IC/UNIRIO
SISTEMAS DE RECOMENDAÇÃO BASEADOS EM
FILTRAGEM COLABORATIVA APLICADOS À
RECUPERAÇÃO DE INFORMAÇÃO NA WEB
Introdução
“Os Sistemas de Recomendação (SR) são ferramentas e técnicas de

software que fornecem sugestões para que os itens sejam úteis aos
usuários. As sugestões estão relacionadas a vários processos de
tomada de decisão, como quais itens comprar, qual música ouvir ou
quais notícias [online] ler” (RICCI; ROKACH; SHAPIRA, 2001, p. 1,
tradução nossa)
17/10/2018 – 17ª Jornada de Iniciação Científica

Introdução
● Surgem em meados da década de 90 como uma área de
pesquisa;
● Maior desenvolvimento em detrimento do avanço do
e-commerce;
● Atuam como uma alternativa aos usuários diante da sobrecarga
de informações na Web;
● Ferramentas de auxílio e aumento do processo natural de
recomendação. (RESNICK; VARIAN, 1997);
● Podem ser desenvolvidos utilizando diversas técnicas, tendo em
vista seu objetivo;

SR baseados em conteúdo
Nessa abordagem são recomendados itens que são semelhantes
-em conteúdo- a itens que o usuário gostou no passado ou que
correspondem a atributos pré-definidos do usuário. (MELVILLE;
SINDHIWANI, 2010)
Na recomendação baseada em conteúdo, recomenda-se ao

usuário itens semelhantes aos preferidos por ele no passado.
(ALDOMAVICIUS; TUZHILIN, 2005)

SR baseados em
conteúdo
Por exemplo, em um aplicativo de
recomendação de filmes, para gerar
recomendações a determinado
usuário c, o SR baseado em conteúdo
tenta entender as semelhanças entre
os filmes anteriormente
classificados pelo usuário (atores
específicos, diretores, gêneros,
assunto etc). Então, apenas filmes
com alto grau de semelhança com as
Fonte:
preferências do usuário c, serão <coral.ufsm.br/pet-si/index.php/sistemas-de-reco
recomendados. mendacao-desvendando-uma-parte-da-magica/>

SR baseados em filtragem colaborativa

Nos sistemas de filtragem colaborativa, um usuário é
recomendado com base nas classificações anteriores de todos os
usuários [que possuem perfil semelhante] coletivamente.
(MELVILLE; SINDHIWANI, 2010)
Na filtragem colaborativa, será recomendado ao usuário itens os

quais pessoas com preferências semelhantes gostaram
anteriormente. (ALDOMAVICIUS; TUZHILIN, 2005)

SR baseados em filtragem colaborativa

Nos sistemas de filtragem colaborativa, um usuário é
recomendado com base nas classificações anteriores de todos os
usuários [que possuem Porperfil semelhante] coletivamente.
que “colaborativa”???
(MELVILLE; SINDHIWANI, 2010)
Porque se não há interação do
usuário com o sistema, se o
Na filtragem colaborativa, seránão
usuário recomendado
disponibiliza ao usuário itens os
suas
quais pessoas com preferências
preferências de formasemelhantes
implícita ou gostaram
anteriormente. (ALDOMAVICIUS; TUZHILIN,o 2005)
explícita, dificilmente sistema de
recomendação conseguirá gerar
boas recomendações.

SR baseados em
filtragem colaborativa
Por exemplo, em um aplicativo de
recomendação de filmes, para gerar
recomendações a determinado
usuário c, o SR baseado em filtragem
colaborativa tenta encontrar os “pares”
do usuário c, ou seja, outros usuários
com gostos semelhantes em filmes
(classificam os filmes de maneira
semelhante). Então, apenas os filmes
mais apreciados pelos “pares” do
Fonte:
usuário c seriam recomendados. <coral.ufsm.br/pet-si/index.php/sistemas-de-reco
mendacao-desvendando-uma-parte-da-magica/>

Ainda sobre a Filtragem Colaborativa...
Pode ser aplicada tendo em vista o próprio usuário (user-based)

ou o item (item-based).

SR baseados em
➔ User-based
Aldomavicius e Tuzhilin (2005)

apontam que algoritmos
baseados em usuários são,
essencialmente heurísticas que
fazem previsões de classificação
com base em toda coleção de
itens previamente classificados
pelo usuário. Fonte:
<https://www.devmedia.com.br/apache-spark-co
mo-criar-um-mecanismo-de-sugestao-de-produto
s/33459>

SR baseados em
➔ Item-based
Diferente do método baseado em
usuário, os algoritmos baseados em
item usam a coleção de itens
classificados para aprender um
modelo, o qual é usado para realizar
predições de classificação.
(ALDOMAVICIUS; TUZHILIN, 2005)

SR híbridos
Esses sistemas geram

recomendações a partir da
combinação (SR baseado em
conteúdo + SR baseado em
filtragem colaborativa). (MELVILLE;
SINDHIWANI, 2010)
(ALDOMAVICIUS; TUZHILIN,
2005)
Fonte:
<coral.ufsm.br/pet-si/index.php/sistemas-de-reco
mendacao-desvendando-uma-parte-da-magica/>

Objetivo geral
● Apontar as vantagens e desvantagens da Filtragem Colaborativa
para a recuperação e compartilhamento da informação na Web.
Objetivos específicos
● Realizar pesquisa documental de SR baseados em Filtragem
Colaborativa aplicados à recuperação de informação na Web;
● Realizar estudo sobre as vantagens e desvantagens dos SR
baseados em Filtragem Colaborativa aplicados à recuperação de
informação e compartilhamento de informação na Web.

Metodologia
● Revisão de literatura para embasamento da pesquisa;
● Levantamento bibliográfico em 2 fontes: Base de Dados em
Periódicos da Ciência da Informação (BRAPCI) e AIRCC
Digital Library (Biblioteca Digital de Editora Acadêmica, open
access, nas áreas de Ciência da Computação e Engenharia);
● Termos: Filtragem Colaborativa, Collaborative Filter/-ing,
Sistemas de Recomendação e Recommender/-ation System;
● Delimitação temporal (2012-2017), 5 anos;
● BRAPCI → 6 artigos recuperados / AIRCC Digital Library → 11
artigos recuperados;
● De então, os artigos foram lidos na íntegra para a identificação
das técnicas de FC utilizadas e posterior identificação de suas
vantagens e desvantagens;
Resultados
● Zanette (2008) e Sampaio e Ramalho (2006) abordam em seus
trabalhos 4 técnicas aplicadas na Filtragem Colaborativa e suas
respectivas desvantagens:
TÉCNICA Correlação linear Classificação Redes neurais Técnicas de
bayesiana (redes classificação
bayesianas)
DESVANTAGEM dificuldade de o cálculo das o tamanho da

identificação da probabilidades entrada
similaridade dos condicionais de [avaliações do
perfis de usuários todas as item, realizadas
diante da falta de avaliações pelos usuários do
informação/avaliaç possíveis de um sistema] pode ser -
ão dos itens dado item em muito grande
relação aos dependendo da
demais é quantidade de
computacionalme usuários do
nte trabalhoso sistema

Resultados
Após a leitura dos 17 artigos foram identificadas as vantagens e
desvantagens da Filtragem Colaborativa:
VANTAGENS DESVANTAGENS
Fenômeno cold-start (item/usuário)

Incentivo a serendipidade
Necessidade de interação com o sistema
Esparsidade
Uso do perfil do usuário para gerar
recomendações Super-especialização do usuário
Escalabilidade
Possibilidade de classificar um item com base
no gosto pessoal Privacidade do usuário

Vantagens
● Incentivo a serendipidade:
“[...] anglicismo que se refere às descobertas afortunadas feitas,
aparentemente, por acaso.”¹ (WIKIPEDIA)
● Utiliza o perfil do usuário para gerar recomendações, não os metadados
dos itens;
● Possibilidade de classificar um item de acordo com seu gosto.

Desvantagens
● Cold-start (usuário/item):
Falta de informações acerca de determinado item ou usuário novo no
sistema;
● Necessidade de interação com o sistema;
● Esparsidade:
Este problema dá-se em razão de, por vezes, conteúdos acessados por
um usuário terem tipo pouco ou nenhum acesso (por consequência,
avaliação) por outros usuários do sistema, dificultando a recomendação de
conteúdos relacionados e/ou importantes;

Desvantagens
● Privacidade do usuário:
A falta de privacidade do usuário, devido à possibilidade de obtenção e
uso de suas informações de forma implícita, ou seja, sem que ele saiba ou
autorize; refere-se, também, a questão da segurança (guarda) do grande
volume de dados pessoais coletados e armazenados em ambiente online.

No entanto, foi possível identificar o uso de técnicas adicionais para

potencializar e/ou solucionar problemas/desvantagens desses sistemas.

Resultados

Considerações finais
● Concluiu-se que não há métodos e técnicas pré estabelecidos para
o desenvolvimento de SR baseados em filtragem colaborativa;
● A pesquisa sobre Filtragem Colaborativa permitiu uma visão mais
profunda do perfil e necessidade dos usuários para a geração das
recomendações;
● A temática tem forte relação com o campo da Ciência da
Informação, no entanto permanece com área de pesquisa da
Computação;
● A Filtragem Colaborativa difere positivamente da filtragem baseada
em conteúdo, uma vez que gera recomendações a rede em que o
usuário está inserido, não apenas os metadados dos itens;

Considerações finais
● A Filtragem Colaborativa permite a recuperação da novidade,
remetendo ao conceito de raridade de Lancaster (2004).
● Finalmente, buscou-se com esse trabalho apresentar as vantagens
e desvantagens desses sistemas e sua relação com a recuperação
da informação na Web e, consequentemente, com a
Biblioteconomia.

Obrigada!

REFERÊNCIAS
ADOMAVICIUS, G., TUZHILIN, A. Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. IEEE Transactions
on Knowledge and Data Engineering, v. 17, n. 6, p. 734–749, 2005. Disponível em: <http://pages.stern.nyu.edu/~atuzhili/pdf/TKDE-Paper-as-Printed.pdf>. Acesso em: 30
maio 2018.
BELL, J.; et al. Research-paper recommender systems: a literature survey. ACM/IEEE-CS joint conference on Digital libraries. Indianapolis, IN, USA: Springer, 2015.
Disponível em: <https://link.springer.com/article/10.1007/s00799-015-0156-0>. Acesso em: 30 maio 2018.
BERNARTT, J. L. V. Um sistema de recomendação baseado em filtragem colaborativa. 2008. Dissertação (mestrado) - Programa de Pós-Graduação em Engenharia
Elétrica, Universidade Federal de Santa Catarina, Santa Catarina, 2008. Disponível em: <http://repositorio.ufsc.br/xmlui/handle/123456789/90866 >. Acesso em: 30 maio
2018.
MELVILLE, P.; SINDHWANI, V. Recommender Systems. In: SAMMUT, C.; WEBB, G.I. (eds). Encyclopedia of Machine Learning and Data Mining. Boston, MA: Springer,
2017. Disponível em: <https://link.springer.com/referenceworkentry/10.1007%2F978-1-4899-7687-1_964>. Acesso em: 30 maio 2018.
LANCASTER, F. W. Indexação e resumos: teoria e prática. 2. ed. Brasília: Briquet de Lemos Livros, 2004.
RESNICK, P.; VARIAN, H.R. Recommender systems. Communications of the ACM, v.40, n.3, p.55-58, 1997. Disponível em:
<http://delivery.acm.org/10.1145/250000/245121/p56-resnick.pdf?ip=200.156.27.19&id=245121&acc=ACTIVE%20SERVICE&key=344E943C9DC262BB
%2EE3E361ADC3D62D81%2E4D4702B0C3E38B35%2E4D4702B0C3E38B35&__acm__=1529370469_ad90ad4eb5a1193dc137ec06483d8fe2>. Acesso em: 18 jun.
2018.
RICCI, F.; ROKACH L.; SHAPIRA, B. Introduction to Recommender Systems Handbook. In: ________. Recommender Systems Handbook. Boston, MA: Springer, 2011.
Disponível em: <https://link.springer.com/chapter/10.1007/978-0-387-85820-3_1>. Acesso em: 30 maio 2018.
SAMPAIO, I. A.; RAMALHO, G. L. Aprendizagem ativa em sistemas de filtragem colaborativa. 2006. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da
Computação, Universidade Federal de Pernambuco, Recife, 2006. Disponível em: <https://repositorio.ufpe.br/handle/123456789/2608 >. Acesso em: 30 maio 2018.
SILVA, R. G. N. e. Sistema de Recomendação baseado em conteúdo textual: avaliação e comparação. Mestrado (dissertação) – Universidade Estadual de Feira de
Santana, Universidade Federal da Bahia, Programa Multi–institucional em Ciência da Computação, 2014. Disponível em:
<https://repositorio.ufba.br/ri/bitstream/ri/19281/1/dissertacao_mestrado_ciencia_computacao_rafael_glauber.pdf>. Acesso em: 20 jul 2018.
3 Link para acesso: https://drive.google.com/open?id=1F-EYiFx5bc1JR2EflT_Mn8984bHEqYoQ
ZANETTE, L. R. Sistema de recomendação de itens baseado na rede de confiança do usuário. Dissertação (Mestrado em Informática) – Universidade Federal do Rio de
Janeiro, Instituto de Matemática, Núcleo de Computação Eletrônica, 2008. Disponível em:
<http://www.nce.ufrj.br/ginape/publicacoes/dissertacoes/d_2008/d_2008_leonardo_rosa_zanette.pdf>. Acesso em: 30 maio 2018.

Apresentação 2018 17JIC DéboraMNFerreira

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apresentação 2018 17JIC DéboraMNFerreira

Enviado por

Direitos autorais:

Formatos disponíveis

Dinâmicas de Produção de Conhecimento e

Comunicação na Ciência Aberta: vetores de

Débora Milena Niedzeilski Ferreira (bolsista): deboraniedzeilski@hotmail.com

Ludmila dos Santos Guimarães (orientadora): lguimaraes2007@gmail.com

Departamento de Biblioteconomia; Escola de Biblioteconomia

“Os Sistemas de Recomendação (SR) são ferramentas e técnicas de

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

Na recomendação baseada em conteúdo, recomenda-se ao

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

SR baseados em filtragem colaborativa

Na filtragem colaborativa, será recomendado ao usuário itens os

17/10/2018 – 17ª Jornada de Iniciação Científica

SR baseados em filtragem colaborativa

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

Ainda sobre a Filtragem Colaborativa...

Pode ser aplicada tendo em vista o próprio usuário (user-based)

17/10/2018 – 17ª Jornada de Iniciação Científica

Aldomavicius e Tuzhilin (2005)

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

Esses sistemas geram

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

DESVANTAGEM dificuldade de o cálculo das o tamanho da

17/10/2018 – 17ª Jornada de Iniciação Científica

Fenômeno cold-start (item/usuário)

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

No entanto, foi possível identificar o uso de técnicas adicionais para

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

17/10/2018 – 17ª Jornada de Iniciação Científica

Você também pode gostar