SISTEMAS DE

RECOMENDAÇÃ
O
RecSys
”Um homem quando esta em paz
Não quer guerra com ninguém”

Charlie Brow Jr.

O QUE É UM SISTEMA DE RECOMENDAÇÃO
Um sistema de recomendação, ou mecanismo de
recomendação, é uma ferramenta que utiliza uma série de
algoritmos, análise de dados e até mesmo inteligência
artificial (IA) para realizar recomendações on-line. Essas
recomendações podem ser personalizadas para cada usuário
ou não, dependendo do objetivo de cada plataforma, da
quantidade de dados obtidos e até mesmo do tipo de
tecnologia utilizada.
EXPERIÊNCIA DO USUÁRIO
Quando o foco é a personalização da experiência do usuário,
o sistema utiliza dados referentes ao perfil e à navegação
desse usuário – como cliques, avaliações, e buscas – para
recomendar itens que tenham maior relevância para ele.
 “Acima de tudo, um sistema de recomendação coleta
informação e, com isso, facilita o processo de tomada de
decisão ao mostrar e recomendar uma seleção de itens. O
item pode ser um produto, uma forma de conteúdo ou até
mesmo uma pessoa – no caso de sites de relacionamento
ou na sugestão de amigos em uma rede social”
 3
 Aos itens que serão recomendados ELEMENT
 Ao usuário que será impactado por
essas recomendações OS
 E a outros usuários que já
interagiram com a plataforma Essa informação
coletada diz respeito a
três elementos
Explícitos: consistem em informação concedida
pelos usuários, geralmente diante de alguma
OS
pergunta ou solicitação, como comentários e
avaliações.
DADOS
referentes aos usuários
Implícitos: são produzidos de forma espontânea podem ser de dois tipos
pelos usuários e têm a ver com o comportamento explícitos ou implícitos
dele durante a navegação, como cliques que faz,
buscas, tempo de permanência em alguma página
etc
 Onde os
sistemas de
recomendação
estão presente?
ORIGEM NOS ANOS 90
O termo sistema de
Dessa forma, além de
recomendação pode até parecer
solucionar um problema, o
novidade, mas surgiu nos
sistema de recomendação
anos 1990. Os seus primeiros
surgiu como uma
estudos tiveram origem em
oportunidade de negócio,
diversas áreas, como ciências
aproveitando essa grande
cognitivas, teoria de
quantidade de dados e
aproximação, recuperação da
informações para gerar lucro
informação, teoria de previsões,
de forma atrativa
administração e marketing, e
surgiram da dificuldade das
pessoas em encontrar e escolher
itens diante da imensa
quantidade de informações
(big data) disponíveis na
internet.
STREAMING, REDES SOCIAIS, E-COMMERCE,
APPS
Netflix, Disney, HBO, Prime
Video

Instagram, Twiter, Tinder,

Meta (facebook)

gMail, ifood, rappi, uber

eats,

Algumas das empresas acimas já são considerados unicornios

SKILLS

SOURCE CODE PROGRAMAÇÃO LINGUAGENS

Recomendado Linguagem que permitam Studio R, Python, C/C++,
conhecimentos básicos sobre trabalhar com inteligência Java, Lisp, Prolog,
logica de programação artificial ou bibliotecas
 THEM US
Os sistemas de ou melhor, facilitar a vida
recomendação vieram para das pessoas?
mudar o mundo?
MACHINE
LEARNING
Sistemas de recomendação com
Machine Learning
É usado nos sistemas de recomendação mais
avançados e permite que o sistema se
adapte rapidamente às escolhas e pesquisas
dos usuários porque aprende as mudanças e
consegue se adaptar.
Esse sistema consegue distinguir os usuários que estão realmente
procurando por um item específico daqueles que estão apenas navegando
pelo site. Essa distinção é importante para o sistema descartar os dados
desse usuário que está navegando aleatoriamente pelos itens de uma loja
por exemplo e usar somente os dados daqueles que buscam por uma
categoria específica. Dessa forma as recomendações seguem um objetivo
e não são aleatórias.
E usando o YouTube apenas pelos conteúdo recomendados
você realmente fica à mercê do algoritmo de recomendação
que vai mostrar os conteúdos que mais geraram engajamento,
têm mais comentários, likes e dislikes, entre outros.
Conteúdos extremistas geralmente apresentam vários desses
aspectos engajadores e são recomendados com frequência.
Precisamos pensar em maneiras de mudar a forma como a
recomendação acontece para conteúdos sensíveis e definir
critérios para saber quais conteúdos são sensíveis e quais não
são e podem ser livremente recomendados.
01 Uma estratégia de
recomendação mais
sofisticada seria utilizar
modelos de machine
learning
 Ferramentas para identificar padrões,
Machine especialmente padrões que nós, seres humanos,
temos dificuldade em perceber para criar variáveis
Learning que descrevem os usuários e os filmes a partir dos
padrões de uso.
Sistemas de
Recomendação
 O que vamos fazer hoje,
cérebro? GENDER
60% 40%
AVERAGE SPEND PER
CUSTOMER
$50.00

AGE
20 - 35

É importante ressaltar que tais variáveis são variáveis latentes, ou seja, variáveis criadas pelo
computador e, não necessariamente, interpretáveis por seres humanos
MATRIX FACTORIZATION

40% 60% 80% 75%

MERCU SATURN MARS JUPITER
RY é o
Mercúrio É composto de Apesar de ser É o maior
planeta mais hidrogênio e vermelho, objeto do
próximo do Sol hélio Marte é um Sistema Solar
lugar frio
Uma vez conseguindo descrever o perfil dos usuários e dos filmes com
base nestas variáveis latentes, o modelo consegue, para um dado usuário,
estimar como seria a interação dele com filmes que ainda não assistiu. E,
com essa estimativa de interação, sugerir os filmes que o usuário avaliaria
melhor, logo, os filmes que o usuário mais gostaria
MATRIX FACTORIZATION
Além disso, o modelo também nos dá insumos para afirmar
com mais convicção que usuários ou filmes são similares.
Esta técnica de recomendação é conhecida por fatoração de
matrizes

JUPITER MERCU VENUS MARS

RY
MATRIX FACTORIZATION

Nesta abordagem, em que aprendemos as preferências

do usuário através dos padrões de uso, as
recomendações são menos assertivas no começo, mas
quanto mais informações de uso, mais relevantes serão
as recomendações.
MATRIX FACTORIZATION

Nesta abordagem, em que aprendemos as preferências

do usuário através dos padrões de uso, as
recomendações são menos assertivas no começo, mas
quanto mais informações de uso, mais relevantes serão
as recomendações.
Presente no dia a dia

Não é incomum que uma série de anúncios filtrados

tomem conta da sua tela após a busca de um produto na
Internet ou ao criar uma rede social, surgem diversas
sugestões de amizade de pessoas que você, de fato,
conhece. Sem esquecer daquela música especial que foi
recomendada pelo Youtube
BIG DATA

Tais sistemas utilizam amplamente o conceito de “big

data”, o maciço de informações geradas por todos os seus
usuários. Essas informações são então estudadas para
encontrar padrões de comportamento entre as ações
antigas de um usuário e assim fornecer recomendações
para novas compras, notícias, etc.
BIG DATA -> SISTEMAS DE RECOMENDAÇÃO ->
MACHINE LEARNING
Sabendo disso, todos esses sistemas de recomendação podem ser
formalizados usando uma simples pergunta

“Para um dado grupo de clientes e suas ações, quais são os produtos que
forneceriam a melhor utilidade para cada cliente neste grupo?”
MOTIVAÇÃO
Uma motivação forte e suficiente para o uso desses sistemas são os
ganhos reais, tanto financeiramente, pois com o melhor desempenho
da plataforma as vendas aumentam, quanto socialmente, facilitando a
vida dos consumidores na busca por produtos desejados.
Um sistema de recomendação é uma aplicação de
aprendizado de máquina (do inglês machine learning) para
negócios que, por meio de modelagem de dados e aplicação
de algoritmos, tentam prever a nota (rating) ou preferência
de um usuário a um determinado item. Assim, tais sistemas
são classificados de acordo com o tipo de algoritmo usado,
são eles os principais: Filtragem colaborativa, filtragem
baseada em conteúdo e sistemas híbridos.
ALGORITMOS

Filtragem colaborativa e filtragem baseada em conteúdo

ALGORITMOS

Filtragem colaborativa foca na interação entre o usuário e

conteúdo, recomendando itens que usuários semelhantes
compraram ou interagiram. Dessa forma, a partir dos itens
comprados ou interagidos pelo usuário A, o sistema busca por
usuários semelhantes que tiveram um comportamento igual ou
similar e seleciona itens que o usuário A ainda não interagiu
ALGORITMOS
Por conseguinte, recomenda itens com a maior nota entre os
usuários semelhantes (note que esse tipo de algoritmo segue a
abordagem “quem comprou X também comprou Y”). No entanto,
uma das suas desvantagens é que algoritmos de filtragem
colaborativa exige uma quantidade considerável de dados
e feedback dos usuários para gerar recomendação.
ALGORITMOS
Filtragem baseada em conteúdo gera as
recomendações com base na similaridade do conteúdo
já consumido pelo usuário, seu processo consiste em
cruzar os atributos do perfil do usuário (interesses e
preferências) com os atributos dos itens, para
recomendar ao usuário novos itens.
ALGORITMOS
Ou seja, o usuário é colocado numa bolha de preferência, onde
tudo que é recomendado é semelhante ao que já foi consumido, o
que pode ser uma desvantagem, uma vez que a longo prazo, essa
bolha de preferência pode levar ao desinteresse do usuário nas
recomendações
ALGORITMOS
HIBRIDOS
Os sistemas híbridos são algoritmos que combinam filtragem colaborativa e filtragem baseada
em conteúdo. Eles podem ser combinados de diversas formas, sendo que, aplicar os dois
algoritmos e juntar seus resultados depois é o mais comum. Geralmente, sistemas híbridos
possuem um resultado melhor, uma vez que as desvantagens dos tipos citados acima são
amenizadas.
 OUTROS
ALGORITMOS
Além disso, existem outros algoritmos mais complexos que necessitam de
mais dados para gerar recomendações mais personalizadas e específicas
possíveis.
LGPD
De fato, sistemas de recomendação são extremamente valiosos no contexto atual, uma vez que o
consumo de mídias digitais, comércio eletrônico e outros setores que viram o meio digital como
alternativa cresceu exponencialmente nas últimas décadas. No entanto, outras questões também
são levantadas: o uso dos dados e a privacidade do usuário.
SISTEMA DE RECOMENDAÇÃO DA META
(FACEBOOK)
A precisão de algoritmos de recomendação depende de uma
grande quantidade de dados, que é gerada todo dia, a todo
instante. Um exemplo disso é o Facebook (que possui
sistemas de recomendação extremamente robustos): estima-se
que 4 petabytes de dados são gerados por dia.
THANKS!

(11) 9.5850-8384 Telegram

www.professorlima.com