Escolar Documentos
Profissional Documentos
Cultura Documentos
SISTEMAS DE RECOMENDAÇÃO
BASEADOS EM FILTRAGEM
COLABORATIVA APLICADOS À
RECUPERAÇÃO DA INFORMAÇÃO NA WEB
Universidade Federal do Estado do Rio de Janeiro – UNIRIO
IC/UNIRIO
SISTEMAS DE RECOMENDAÇÃO BASEADOS EM
FILTRAGEM COLABORATIVA APLICADOS À
RECUPERAÇÃO DE INFORMAÇÃO NA WEB
Introdução
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)
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
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/>
SR baseados em
filtragem colaborativa
➔ User-based
SR baseados em
filtragem colaborativa
➔ 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
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;
17/10/2018 – 17ª Jornada de Iniciação Científica
SISTEMAS DE RECOMENDAÇÃO BASEADOS EM
FILTRAGEM COLABORATIVA APLICADOS À
RECUPERAÇÃO DE INFORMAÇÃO NA WEB
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)
Resultados
Após a leitura dos 17 artigos foram identificadas as vantagens e
desvantagens da Filtragem Colaborativa:
VANTAGENS DESVANTAGENS
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.
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.