Sistemas h´ıbridos solucionam problemas das abordagens baseadas em conte´udo e ba- seadas em filtragem colaborativa, conforme explicado na Se¸c˜ao 4.3. Por´em, realizar filtra- gem colaborativa ´e muitas vezes dif´ıcil ou at´e impratic´avel. Especialmente no ambiente de TVD, solu¸c˜oes h´ıbridas s˜ao dif´ıceis de serem implementadas, devido ao grande n´umero de usu´arios.
Como uma alternativa aos sistemas h´ıbridos, foram criados alguns sistemas baseados em semˆantica (Naudet et al., 2008; Blanco-Fern´andez et al., 2008), que exploram t´ecnicas da Web Semˆantica para realizar a recomenda¸c˜ao de conte´udo.
Esses sistemas utilizam ontologias para representar os conte´udos dispon´ıveis na pro- grama¸c˜ao da TV, de forma que as informa¸c˜oes semˆanticas dos conte´udos possam ser uti- lizadas. Al´em das ontologias, tamb´em s˜ao utilizadas redes semˆanticas, que relacionam os conte´udos atrav´es de suas informa¸c˜oes. Por fim, um processamento semˆantico ´e realizado sobre a rede gerada, a fim de descobrir os conte´udos que podem ser recomendados.
Os trabalhos de Naudet et al. (2008) e Blanco-Fern´andez et al. (2008) motivaram o desenvolvimento de um sistema de recomenda¸c˜ao com abordagem semˆantica para o SBTVD, o SeReS. Este sistema utiliza t´ecnicas semˆanticas para realizar recomenda¸c˜oes aos usu´arios do SBTVD, conforme ´e descrito no Cap´ıtulo 5.
Abordagens que utilizam processamento semˆantico conseguem suprir limita¸c˜oes apre- sentadas pelos sistemas baseados em conte´udo e baseados em filtragem colaborativa, de- vido `as t´ecnicas empregadas para realizar recomenda¸c˜oes. A seguir s˜ao apresentadas algumas caracater´ısticas dessas abordagens que permitem solucionar, ao menos em parte, as limita¸c˜oes das abordagens tradicionais.
Para suprir a limita¸c˜ao de poucas informa¸c˜oes dispon´ıveis dos conte´udos, que gera uma an´alise restrita, informa¸c˜oes semˆanticas s˜ao inseridas na representa¸c˜ao de cada conte´udo dispon´ıvel, o que permite uma an´alise mais profunda desses conte´udos. Estas informa- ¸c˜oes tamb´em s˜ao utilizadas para encontrar v´ınculos entre conte´udos, permitindo que a recomenda¸c˜ao realizada seja composta de tipos variados de conte´udo, evitando, assim, a superespecializa¸c˜ao.
O problema de se recomendar conte´udos sempre do mesmo tipo ´e evitado com o pro- cessamento semˆantico, pois atrav´es das informa¸c˜oes de cada conte´udo ´e poss´ıvel encontrar similaridades entre programas diferentes, o que evita a recomenda¸c˜ao de um mesmo tipo
de conte´udo j´a consumido pelo usu´ario.
Para solucionar o problema do novo usu´ario (cold-start ), os sistemas baseados em se- mˆantica consideram as informa¸c˜oes dispon´ıveis nos conte´udos consumidos por este usu´ario. Mesmo que ele possua pouco consumo, os conte´udos possuem informa¸c˜oes que podem ser relacionadas com outros conte´udos, possibilitando uma recomenda¸c˜ao que seja de interesse do usu´ario.
Quando um novo conte´udo ´e adicionado ao sistema, ele n˜ao possui nenhum consumo, por´em possui informa¸c˜oes que o relacionam com outros conte´udos, dessa forma, ele pode ser recomendado, mesmo sendo um conte´udo novo.
Um usu´ario que possui interesses diferentes e/ou ex´oticos ´e classificado como “ovelha negra” nos sistemas de recomenda¸c˜ao tradicionais e pode n˜ao ter uma recomenda¸c˜ao muito satisfat´oria, devido a pouca semelhan¸ca com outros usu´arios. Os sistemas que utilizam processamento semˆantico conseguem recomendar conte´udos para este usu´ario, mesmo ele possuindo interesses diferentes, pois utilizam diversas informa¸c˜oes sobre o conte´udo para realizar buscas, o que faz com que rela¸c˜oes entre os conte´udos dispon´ıveis sejam encontradas.
Observa-se, portanto, que a utiliza¸c˜ao de t´ecnicas semˆanticas conseguem suprir v´arias limita¸c˜oes dos sistemas tradicionais, permitindo que as recomenda¸c˜oes sejam realizadas de forma a surpreender o usu´ario. Por este motivo, esta abordagem foi escolhida para ser utilizada no desenvolvimento do SeReS.
4.5 Considerações nais
Os sistemas de recomenda¸c˜ao s˜ao ferramentas importantes para a descoberta de co- nhecimento em ambientes nos quais o perfil do usu´ario ´e levado em considera¸c˜ao. E´ poss´ıvel utilizar esses sistemas para realizar a recomenda¸c˜ao de conte´udo para os mais variados tipos de usu´arios.
Os sistemas baseados em conte´udo levam em considera¸c˜ao o que o usu´ario consumiu, ou seja, realiza a recomenda¸c˜ao baseando-se no seu hist´orico de consumo. J´a a abordagem de filtragem colaborativa leva em considera¸c˜ao o consumo de v´arios usu´arios e cria grupos para que usu´arios com interesses semelhantes recebam recomenda¸c˜oes indicadas por outros usu´arios.
h´ıbridos, nos quais s˜ao utilizadas t´ecnicas mescladas dos dois sistemas, buscando, assim, suprir as deficiˆencias dos dois tipos de sistemas de recomenda¸c˜ao. Por´em, em ambientes de TVD a utiliza¸c˜ao da filtragem colaborativa ´e dif´ıcil, muitas vezes at´e impratic´avel.
Buscando otimizar as recomenda¸c˜oes em ambientes de TVD, sistemas baseados em semˆantica s˜ao utilizados, melhorando as recomenda¸c˜oes e obtendo resultados pr´oximos aos gerados pelos sistemas baseados em filtragem colaborativa. Os sistemas baseados em semˆantica utilizam t´ecnicas semˆanticas, como ontologias, redes semˆanticas e ativa¸c˜ao semˆantica para melhorar o processo de recomenda¸c˜ao. Al´em disso, esse tipo de sistema consegue suprir algumas limita¸c˜oes dos sistemas tradicionais, pois utilizam informa¸c˜oes mais completas e detalhadas dos conte´udos.
O SeReS, sistema proposto nesta disserta¸c˜ao, utiliza uma abordagem baseada em processamento semˆantico. Os resultados apresentados nos Cap´ıtulos 5 e 6 demonstram a efetividade dessa abordagem na recomenda¸c˜ao de conte´udo para a TVD.