Modelo do Usuário em Ambientes Adaptativos

Atualmente, os sistemas que interagem com o usuário estão cada vez mais preocupados em adaptar a sua interface e a forma de comunicação de acordo com as preferências e interesses do usuário. Para tanto, tais sistemas utilizam o MU como um mecanismo de auxílio na adaptação do ambiente.

A personalização em aplicações de comércio eletrônico tem se tornado uma importante estratégia de negócio, como por exemplo, serviços de recomendação de produtos direcionados às necessidades do usuário [Distani et al., 2005]. Experiências como a da Amazon [Amazon, 2007] têm permitido que cada consumidor na Internet possua um marketing específico em função de suas preferências.

Em sistemas de recuperação e filtragem de informação, cujo objetivo é selecionar documentos a partir de uma grande quantidade de dados, o MU é utilizado para disponibilizar ao usuário informações importantes ao seu interesse e filtrar as irrelevantes. O MU também é utilizado em softwares educacionais, possibilitando aos sistemas se adaptarem em função das habilidades e conhecimentos do aluno.

Um dos primeiros sistemas a adotar o MU para recomendação de páginas foi LETIZIA [Lieberman, 1995]. Este sistema é um agente que observa o comportamento do usuário durante a navegação pela Web e registra evidências positivas e negativas de interesses. A visita a uma página pode indicar o interesse do usuário pela página. Caso o usuário adicione-a a favoritos, isso implica em forte interesse. A partir destas evidências são feitas análises dos conteúdos das páginas, utilizando o algoritmo TFIDF (Term Frequency Inverse Document Frequency) que atribui, para cada termo em um documento, um valor numérico que indica a representatividade do termo para o referido documento. Este valor é computado dividindo a freqüência do termo no documento pela freqüência total do termo em todos os documentos. Uma lista de palavras, com os pesos correspondentes, é gerada como resultado desta análise e armazenada no MU. O modelo é utilizado, então, para a recomendação de hiperlinks a partir da página corrente do usuário.

Mesmo sendo uma das primeiras aplicações sobre modelagem do usuário, o sistema LETIZIA utiliza um método eficiente de classificação de conteúdos em função das páginas visitadas pelo usuário. Entretanto, o sistema não se preocupa com a

identificação de outras características, como por exemplo, o conhecimento do usuário sobre o conteúdo visitado e sua experiência anterior.

Castellano et al. (2001) propõem o uso de Redes Neurais para a modelagem do estudante em um sistema hipermídia educativo. As características dos estudantes são organizadas por grupos de interesse (também conhecidos como cluster - conjunto de dados com alguma característica ou propriedade comum) utilizando uma rede neural competitiva. As respostas do estudante, fornecidas a partir de um formulário no início de uma sessão, são submetidas à rede neural que irá classificá-lo em função do modelo de grupo de estudantes existente. Esses modelos também foram gerados anteriormente pela rede neural.

A classificação do usuário (incluindo-o em um determinado grupo), proposta por Castellano et al., é realizada apenas com informações explícitas, não considerando o aprendizado do usuário durante a interação com o ambiente.

Abbattista et al. (2002) propõem a extração de modelos de usuários a partir da análise dos conteúdos dos arquivos de log de acesso de cada usuário, em um site especializado em livros. A partir desta análise, são extraídas as características usadas como exemplos para um classificador bayesiano que é utilizado para determinar os itens interessantes e não interessantes para o usuário. Este método é útil porque ele gera um modelo probalístico de categorização de livros. Em seguida, realizada a coleta de descrições de livros de diferentes categorias para serem avaliados pelos usuários. Um algoritmo de clusterização é utilizado nesta etapa para inferir padrões de uso de grupos de usuários.

Schwab e Kobsa (2002) propõem uma abordagem para o aprendizado de um modelo de usuário utilizando apenas evidências positivas coletadas implicitamente, em função das observações do comportamento do usuário. Com base nos objetos selecionados pelo usuário (considerados interessantes) são extraídas as características utilizadas para compor o modelo. A recomendação de novos objetos é feita através da abordagem baseada em conteúdo, utilizando o algoritmo k-nearest neighbor para caracterizar os objetos de interesse, e da aprendizagem colaborativa, recomendando objetos que usuários com perfis similares selecionaram no passado.

A abordagem de utilizar evidências positivas é interessante, pois, na maioria dos casos, o perfil do usuário reflete o interesse do usuário em objetos ou conteúdos. O

problema é que, muitas vezes, na abordagem implícita, é difícil identificar tais interesses. Em um AV, a abordagem implícita poderá ser utilizada, pois o uso de sensores e o controle da navegação auxiliam na monitoração das ações do usuário. Mesmo assim, uma abordagem explícita também é aconselhada, pois permite criar um MU inicial para o usuário e identificar com mais precisão as evidências positivas durante a abordagem implícita.

Conforme visto nos exemplos anteriormente citados, os esforços na utilização de um modelo de usuário estão concentrados em interfaces 2D. Os trabalhos de Chittaro e Ranon (2000a, 2000b, 2002a, 2002b) propõem a adoção de um modelo de usuário para a personalização de um ambiente 3D. A proposta destes autores é utilizar um modelo de usuário para adaptação da estrutura do layout de uma loja virtual.

Chittaro e Ranon (2000a) desenvolveram a ferramenta ADVIRT (The Adaptive VR Store), tendo construído os perfis do cliente utilizando uma combinação das técnicas utilizadas por Ardissono (1999), Joerding (1997) e Joerding (1999). Essa ferramenta atualizava o Modelo do Usuário através dos dados gravados na loja virtual em visitas anteriores realizadas pelo cliente (por exemplo, compras realizadas e número de visitas).

No ambiente ADVIRT, o MU é organizado em três partes:

• Biosketch – informações tais como sexo, ano de nascimento, profissão e nível de escolaridade, são obtidas através de um formulário preenchido pelo cliente;

• Aspectos do consumidor – informações relacionadas diretamente com as compras e o comportamento do usuário na loja. Durante cada visita na loja, algumas ações do comprador são monitoradas tais como: produtos observados; produtos selecionados (quando o cliente quer saber mais sobre um produto específico); produtos colocados no carrinho de compras (selecionados para compra posterior); e produtos que foram realmente comprados. Outra informação contida no referido modelo é o ranking de produtos interessantes, que lista os produtos de maior relevância para o comprador; • Aspectos de interação – as informações desta parte do modelo caracterizam o cliente

com atributos diretamente relacionados as suas preferências e comportamento no uso da interface do site. Essas informações estão relacionadas à organização da loja (tamanho e estilo da loja, necessidade de assistência), ao número de visitas realizadas e ao gosto por música ambiente (a música a ser tocada pode ser escolhida de acordo com o gênero de música preferido).

O trabalho de Chittaro e Ranon (2000a) é pioneiro na literatura sobre a utilização do MU para adaptação de um ambiente tridimensional. O uso de um formulário e a associação do usuário a um perfil pré-definido contribuem para a personalização do ambiente 3D. As informações do usuário são armazenadas em um objeto, contendo as características pessoais (coleta explícita), perfil de consumo e forma de interação com o ambiente (coleta implícita). Contudo, a atualização do ambiente em função do MU só é realizada após o final de cada sessão. Este sistema não considera as mudanças de interesse do usuário ocorridas durante a sessão que podem influenciar na adaptação do ambiente.

Santos (2004) também utiliza o modelo do usuário para gerar um ambiente virtual adaptativo. A sua proposta é obter informações do perfil do usuário através de um formulário de coleta de dados para composição do modelo inicial. À medida que o usuário interage com o ambiente, as evidências de navegação, solicitação e acesso aos conteúdos, são coletadas e utilizadas no processo de atualização do modelo do usuário. No trabalho proposto por Santos, o MU é atualizado durante a sessão, mas o uso dessas informações para a adaptação do ambiente somente é feito off-line.