Os sistemas de recomendação têm sido utilizados desde a década passada em várias áreas, usando as mais diversas técnicas para a geração das recomendações. Muitas destas técnicas surgiram a partir das técnicas existentes nos sistemas de recuperação de informação. O objetivo destes sistemas é identificar itens baseados em alguns critérios para então, oferecerem recomendações aos usuários. Conforme apresentado em (Reategui, et al., 2005), há dois tipos de técnicas comumente utilizadas nos componentes da arquitetura de software de um sistema de recomendação. Enquanto um dos tipos faz uma análise direta dos dados por meio da filtragem de informações, o outro, que não é o foco deste trabalho, utiliza técnicas de mineração de dados usando regras de classificação, associação e agrupamento. Apenas os conceitos relativos aos sistemas de recomendação com filtragem de informações são discutidos nesta seção.
18 A arquitetura de software baseada na filtragem de informações e mostrada na Figura 2-3, foi utilizada como base para o sistema de recomendação proposto neste documento. Nesta arquitetura, diferentes estratégias de recomendação são armazenadas, permitindo a realização de diversos tipos de sugestões aos usuários por meio de um servidor web que faz requisições ao sistema, para então recomendar de forma personalizada, os conteúdos, os serviços e as ofertas de interesse ao usuário.
Sistema de Recomendação Servidor Interface / Usuário da Aplicação Estratégias de Recomendação Dados Demográficos Dados Transacionais requisições / recomendações transações conteúdo, serviços e ofertas personalizados
Figura 2-3 - Arquitetura de sistema de recomendação com filtragem de informações (Reategui, et al., 2005)
Conforme mostrado na Figura 2-3, o processo de recomendação inicia com o sistema coletando informações sobre os itens de forma implícita ou explícita e criando uma representação sobre eles. Estas informações podem ser representadas de diversas formas, incluindo as ontologias. A coleta implícita é realizada pelo sistema, sem a intervenção do usuário, e na medida em que ele interage com o sistema. Já a coleta explícita acontece com uma intervenção do usuário no sistema, informando deliberadamente um dado sobre o item. Desta forma, um sistema de recomendação recupera para certo usuário suas preferências explícitas e implícitas, além do conteúdo e ofertas relacionados a itens nos quais ele já tenha mostrado interesse, para então, realizar a recomendação.
Esta arquitetura de software mostrada na Figura 2-3, utiliza um dos três tipos de filtragem de informação detalhados em (Herlocker, 2000): a filtragem baseada em conteúdo, a filtragem colaborativa e a filtragem híbrida.
2.5.1. Filtragem Baseada em Conteúdo
Esta técnica (Herlocker, 2000) tem suas origens em sistemas de recuperação de informação, realizando uma seleção baseada na análise de conteúdo dos itens e no perfil do usuário para reduzir o problema ocasionado com a sobrecarga de informações. Portanto, ela emprega a
19 busca dos itens a partir de seus conteúdos, baseado nos conteúdos que os usuários necessitam.
Esta filtragem é utilizada em domínios que possuem informações armazenadas em forma textual. Para tratar casos que lidam com arquivos multimídia, como imagens, músicas e vídeos, este tipo de filtragem apresenta limitações ao dificultar ou inviabilizar a comparação de conteúdo, por não serem dados estruturados. Outras limitações são: a análise de sinônimos, dificultando o entendimento do conteúdo do texto ao produzir resultados diferentes para palavras com o mesmo significado; a super especialização, pois conteúdos do interesse do usuário por não ser similares, provavelmente não são recomendados; e por fim, a qualidade não é considerada ao recomendar os itens, pois a análise se restringe às descrições dos conteúdos (Reategui, et al., 2005).
2.5.2. Filtragem Colaborativa
Este tipo de filtragem (Herlocker, 2000) gera a recomendação por meio da troca de experiências entre pessoas que possuem preferências similares, filtrando os itens de acordo com as avaliações destes usuários. Os sistemas que usam esta técnica automatizam o processo de recomendação ao coletar as pontuações dos itens atribuídas pelos usuários. Uma das vantagens desta filtragem é que ela não necessita analisar os conteúdos dos itens, logo não apresenta restrições práticas quanto aos tipos de dados que compõem o conteúdo filtrado. Outra vantagem é que a super especialização não acontece, pois os itens que não estão diretamente relacionados com o perfil do usuário podem ser recomendados. Aspectos relacionados com a qualidade também são resolvidos porque os usuários de interesse comum avaliam os itens recomendados (Reategui, et al., 2005).
Já o maior problema é que esta filtragem necessita de uma grande quantidade de avaliações e usuários para que possa produzir resultados com qualidade. Se existem poucos usuários em relação ao número de itens, há o problema das pontuações esparsas, pois a dificuldade em encontrar similaridades entre os perfis é bem maior, ocasionando a perda de qualidade ou até mesmo inviabilizando a recomendação. Outra limitação é em relação ao primeiro avaliador de um item, pois se um item ainda não foi avaliado, ele não tem relação com um perfil de usuário, não tendo como ser recomendado. Por fim, há o problema relacionado com a similaridade, pois se um usuário possui um perfil que varia do normal, este terá
20 dificuldades para encontrar outros usuários com perfis similares, dificultando a recomendação. Além destas três limitações, há o problema de escalabilidade do sistema quando muitos usuários e itens são adicionados, aumentando o tempo de processamento e o espaço de memória ao realizar a recomendação (Reategui, et al., 2005).
2.5.3. Filtragem Híbrida
Esta técnica (Herlocker, 2000) une as vantagens da filtragem baseada em conteúdo e da colaborativa, proporcionando o desenvolvimento de um sistema com o melhor das duas técnicas. Através da técnica de análise de conteúdo, o sistema pode oferecer bons resultados para usuários incomuns e a precisão é independente do número de usuários. Já por meio da técnica colaborativa pode haver a recomendação de itens diretamente relacionados ao histórico e a descoberta de novos relacionamentos entre os usuários.