Sistemas de recomenda¸c˜ao h´ıbridos s˜ao sistemas que combinam t´ecnicas de filtragem baseadas em conte´udo e filtragem colaborativa em uma ´unica ferramenta, buscando evitar os problemas decorrentes de cada abordagem. Sendo assim, os sistemas de recomenda¸c˜ao h´ıbridos s˜ao desenvolvidos considerando o hist´orico do usu´ario e a rela¸c˜ao do seu consumo com o de outros usu´arios.
Diversas t´ecnicas para se trabalhar com sistemas de recomenda¸c˜ao h´ıbridos podem ser utilizadas (Burke, 2002; Adomavicius; Tuzhilin, 2005), sendo a t´ecnica descrita por Pazzani (1999) a mais comum. Esta t´ecnica cria perfis de usu´arios baseados em conte´udos para em seguida detectar similaridades entre os perfis de usu´arios.
De acordo com Burke (2002), os m´etodos de recomenda¸c˜ao h´ıbridos podem ser clas- sificados como:
• Sistemas baseados em pesos: Esses sistemas recomendam itens com pesos indivi- duais, que s˜ao computados atrav´es da combina¸c˜ao dos resultados obtidos com as t´ecnicas de recomenda¸c˜ao baseadas em conte´udo. Esses resultados, geralmente s˜ao agrupados por combina¸c˜oes lineares ou esquemas de votos em grupo. A vantagem desse sistema ´e a recomenda¸c˜ao de itens que n˜ao tem como base os conte´udos con- sumidos originalmente. No entanto, o sistema pressup˜oe que o valor relativo das diferentes t´ecnicas utilizadas seja mais ou menos uniforme em todo conjunto de itens, o que muitas vezes n˜ao ´e verdade.
• Sistemas baseados em trocas: Esses sistemas utilizam algum crit´erio para alternar entre as t´ecnicas de recomenda¸c˜ao. O benef´ıcio desses sistemas ´e que as recomen- da¸c˜oes podem ser sens´ıveis aos pontos fortes e fracos que comp˜oem as t´ecnicas de recomenda¸c˜ao. Entretanto, esse m´etodo adiciona uma complexidade no processo de recomenda¸c˜ao, uma vez que o crit´erio de troca deve ser determinado atrav´es de um n´ıvel de parametriza¸c˜ao.
• Sistemas h´ıbridos mistos: Esses sistemas apresentam as recomenda¸c˜oes geradas por diferentes t´ecnicas de recomenda¸c˜ao agrupadas, como por exemplo atrav´es de uma lista com os itens gerados por t´ecnicas diferentes. A vantagem desses m´etodos ´e que eles exploram os benef´ıcios das t´ecnicas de recomenda¸c˜ao baseadas em conte´udo e baseadas em filtragem colaborativa. Esses m´etodos exigem uma classifica¸c˜ao dos itens, ou a sele¸c˜ao da melhor recomenda¸c˜ao, portanto, ´e necess´aria a utiliza¸c˜ao de alguma t´ecnica de prioriza¸c˜ao de itens.
• Sistemas h´ıbridos baseados na combina¸c˜ao de caracter´ısticas: Esses sistemas mes- clam as recomenda¸c˜oes baseadas em conte´udo e as baseadas em filtragem colabo- rativa tratando as informa¸c˜oes do sistema de filtragem colaborativa simplesmente como recursos adicionais associados a cada item, e utilizando a recomenda¸c˜ao ba- seada em conte´udo sobre o conjunto de dados aumentado. Um benef´ıcio desse m´etodo ´e que ele utiliza os dados da recomenda¸c˜ao colaborativa sem depender ex- clusivamente dela, reduzindo a sensibilidade das recomenda¸c˜oes para o n´umero de avalia¸c˜oes.
• Sistemas cascateados: Estes sistemas trabalham com um processo sequencial de fases, no qual o primeiro sistema de recomenda¸c˜ao gera um conjunto “grosseiro”
de itens. Em seguida, o segundo sistema de recomenda¸c˜ao ´e iniciado com a lista previamente gerada como sendo o conjunto de itens que podem ser recomendados, e gera uma lista refinada com os itens que ser˜ao recomendados. A vantagem dessa t´ecnica ´e que ela evita utilizar o segundo sistema em itens que s˜ao muito diferentes ou que s˜ao mal avaliados e podem nunca ser recomendados. Fazendo isso, esses sistemas de recomenda¸c˜ao s˜ao mais eficientes computacionalmente do que, por exemplo, os sistemas baseado em itens, que tratam de todos os itens.
• Sistemas de recomenda¸c˜ao de meta-n´ıvel: Esses sistemas combinam duas t´ecnicas de recomenda¸c˜ao usando o modelo inteiro gerado por um, n˜ao somente a sa´ıda, como entrada para o outro. A vantagem desses modelos, especialmente para a abordagem colaborativa baseada em conte´udo, ´e que os resultados do modelo baseado em con- te´udo s˜ao uma representa¸c˜ao compacta dos interesses do usu´ario, e a segunda etapa da recomenda¸c˜ao (filtragem colaborativa) pode trabalhar com maior facilidade sobre esse conjunto de informa¸c˜oes compactadas do que com os dados brutos iniciais. • Sistemas de recomenda¸c˜ao baseados no aumento dos recursos: Esses sistemas, de
forma semelhante aos sistemas em cascata, utilizam um processo de fases. A pri- meira t´ecnica de recomenda¸c˜ao produz uma classifica¸c˜ao ou avalia¸c˜ao de cada item. Em seguida, o segundo sistema de recomenda¸c˜ao explora as informa¸c˜oes obtidas para enriquecer as entradas do seu processo de recomenda¸c˜ao. ´E importante notar que essa abordagem ´e diferente do sistema em cascata, pois nos sistemas em cascata as sa´ıdas do primeira t´ecnica de recomenda¸c˜ao n˜ao influenciam a segunda. A van- tagem desses m´etodos ´e que eles fornecem um modo de melhorar o desempenho das t´ecnicas de recomenda¸c˜ao principais, enriquecendo as entradas sem alterar o modelo interno.
Um exemplo desse tipo de sistema ´e o TiVo (Ali; van Stam, 2004), utilizado para realizar a recomenda¸c˜ao de conte´udo televisivo. Adota a t´ecnica baseada em item e um m´odulo Bayesiano de filtragem baseada em conte´udo. Os conte´udos televisivos s˜ao representados atrav´es de seus gˆeneros, atores, diretores e palavras-chave. Os interesses dos usu´arios s˜ao definidos de forma expl´ıcita, em uma escala que varia de [-3,+3]. Os perfis dos usu´arios s˜ao enviados para um servidor externo que se encarrega de gerar as recomenda¸c˜oes.