Recomendação e personalização

A utilização de indicações e sugestões na cadeia decisória dos seres humanos é um processo natural nas relações sociais, de fundo cultural e baseado em confiança. É normal darmos pre- ferência a uma escolha recomendada por uma pessoa conhecida, seja para ir ao cinema ou para um tratamento dentário. Nossa experiência cotidiana de dar e receber conselhos e sugestões é a inspiração para a criação de sistemas de recomendações no ambiente da rede mundial. Um sistema de recomendação é um conjunto de programas que observam transações informacionais em rede e, baseado-se também em informação submetida por eles e por outros utilizadores, é capaz de prever e exibir as preferências de cada usuário em um domínio limitado.

Os processos de personalização de fluxos informacionais vão sendo aplicados em muitas outras áreas de atividade que lidam com grande número de pessoas. A generalização dos filtros específicos e individuais é uma tendência das operações em rede, e é necessária para a gestão de informações complexas; por isso, a tecnologia de agentes vem sendo aplicada também em vários tipos e sistemas de controle da informação.

Serviços de recomendação podem ser classificados como baseados em conteúdo ou baseados em colaboração. Os sistemas de Filtragem baseados em Conteúdo realizam o ajuste entre um perfil de usuário e o recurso pela análise deste conteúdo. Já os sistemas baseados em Filtragem Colaborativa comparam o perfil de cada usuário com perfis de usuários de interesses similares ou ainda com perfis genéricos usados como padrão, para definir a relevância de um recurso. Podem ser também híbridos, e o perfil pode ser tanto informado espontaneamente pelo usuário, quanto construído a partir da experiência de utilização do sistema por parte do usuário, como é cada vez mais comum encontrarmos no comércio eletrônico. Ambos os métodos exigem uma atitude ativa por parte dos usuários. Um sistema de recomendação é constituído por:

• Dados armazenados (background data): a informação já armazenada pelo sistema, como a relação de itens que podem ser recomendados e os perfis dos usuários;

usuário;

• Algoritmos de recomendação: compara os dados armazenados e os de entrada para realizar recomendações personalizadas (BURKE, 2001, p. 2).

Em sites comerciais, normalmente as recomendações são produzidas pelas pessoas que in- teragem com o sistema, ao optar por itens específicos ou utilizar certos serviços. Após a análise de cada trajetória de uso do site, o sistema pode direcionar ofertas para os outros usuários, que, por terem trajetórias semelhantes, podem ter interesses comuns. Assim, se o os interesses do usuário A são semelhantes aos interesses do usuário B, os itens preferidos pelo usuário B podem ser recomendados ao usuário A.

Para personalizar a recomendação de itens, uma forma usual é pedir aos usuários que avaliem os produtos com uma nota (ou estrelas). Essas notas, chamadas de ratings ou escores, são uti- lizadas para identificar a proximidade das escolhas com as de outros usuários similares. Assim, identifica-se um padrão de comportamento que permite gerar as ofertas personalizadas.

A personalização é um processo complementar à recomendação e tem influência direta em aspectos como confiança e fidelidade. De maneira geral, a personalização é qualquer ação que adapta informações, como o conteúdo de um site, para um perfil de interesses do potencial usuá- rio. Personalizar para a Web significa modificar a experiência do usuário de acordo com suas preferências. Isso pode ser feito buscando as características do usuário ao capturar padrões de comportamento e interesse, através de suas transações na Web ou mesclar as características for- necidas pelos usuário às informações disponíveis no sistema (ALVES; FILGUEIRAS, 2005). Isto é feito por exemplo nas páginas do iGoogle63.

Esta tarefa pode ser realizada por pequenos programas baseados em Inteligência Artificial e denominados agentes de software. Os agentes emulam alguns processos do pensamento como a gestão dos conhecimentos, a avaliação de fatos e de estratégias e a obtenção de conclusões, que podem ser reproduzidos computacionalmente. A cada interação do usuário com o agente – com- prando ou recusando as recomendações por desinteresse ou posse – a lista de itens recomendados modifica-se imediatamente e se torna cada vez mais adequada ao interesse do usuário. Os sites de comércio eletrônico são atualmente os maiores utilizadores dos sistemas de recomendação, que tentam promover as vendas usando agentes que identificam e sugerem outros produtos igual-

mente interessantes para seus clientes. O agente social da livraria Amazon64 pode ser descrito, assim, como um livreiro que conhece profundamente os gostos singulares de seus consumidores; o livreiro, porém, é uma máquina. E este livreiro artificial confia no próprio conhecimento; dadas suas compras e avaliações anteriores, ele chega a prever qual será a sua avaliação de um livro que recomenda (VAZ, 2002).

O My Yahoo65, em 1996, foi o primeiro Website a utilizar os sistemas de recomendação em grandes proporções. Os tipos mais comuns são: ofertas casadas ("clientes que compraram item X também compraram item Y"); itens de sua preferência; itens mais vendidos nas suas categorias favoritas; avaliações de usuários; associação por conteúdo. Reategui e Cazella (2005) mencio- nam outro tipo de serviço que pode estar associado à personalização, que é a personificação; o uso da figura humana na interface do sistema, na forma de um personagem que acompanha o usuário na sua navegação e lhe apresenta recomendações. De acordo com Freitas (2002, p. 7), o conjunto de atributos que o agente possui determina o seu comportamento e sua capacidade de atender às necessidades dos usuários. Estes atributos podem ser: autonomia, pró-atividade, reatividade, persistência, aprendizagem, auto-gerenciabilidade, discurso, focalização, inte- ligência, personalização.

Para recomendar novos itens a um usuário, o sistema inicialmente coleta as informações de personalização, de forma explícita – quando são informados deliberadamente –, ou implícita – pela análise dos serviços utilizados pelo usuário – ou, ainda, por inferência a partir da apreensão indireta de perfil ou comportamento, sendo esta última a abordagem que foi usado na execução do Sistema DocUnB. Com os perfis levantados, realiza-se a filtragem das ofertas com base nas informações que devem ser relevantes para os usuários e, finalmente, o sistema exibe como recomendados os itens resultantes desta seleção.

Nos sistemas que utilizam recursos de Inteligência Artificial, existem 3 métodos para a fil- tragem dos dados: a Filtragem Baseada em Conteúdo, a Filtragem Colaborativa – ou Filtragem Social –, e a Filtragem Híbrida, combinação dos 2 métodos, que, para Alves e Filgueiras (2005), apresenta várias vantagens. Existem também a Filtragem Baseada em Regras, pouco útil para a personalização mas de uso freqüente no controle de dados em redes e na identificação de vírus e spam, e o método denominado Top-N, que sugere itens usando apenas estatística, selecionando

64_{http://www.amazon.com} 65_{http://www.yahoo.com}

Técnica Vantagens Desvantagens Exemplo Filtro baseado em

regras

Alto controle sobre os resultados.

Regras fixas não são adaptativas.

www.unear.com.br Filtro baseado em

conteúdo

Perfis de usuários são diretamente rela- cionados às catego- rias de conteúdo.

Difícil manutenção em Web sites muito dinâmicos.

my.yahoo.com

Filtro colaborativo Perfis de usuários são relacionados a grupos de usuários.

Necessária grande quantidade de usuários para fazer com que os perfis interajam.

www.amazon.com

Fonte: Alves e Filgueiras (2005, p. 212)

QUADRO2.2. Comparação entre as técnicas de personalização mais encontradas na literatura. os mais vendidos, os mais vistos, etc.

A eficiência da recomendação é avaliada com métodos que medem a relevância de opinião entre usuários. Esta e outras estratégias buscam solucionar problemas como a da atualização dos perfis de usuários, que tendem, em sua maioria, a manter um perfil estático (CAZELLA, 2006, p. 129).

A análise dos perfis indica a proximidade dos atributos e também separa os grupos por meio de operações booleanas (E, OU, NÃO). No Quadro 2.2, onde vemos as técnicas de filtragem e suas principais diferenças, podemos observar que a Filtragem Baseada em Conteúdo está mais voltada para perfis individuais, enquanto que a Filtragem Colaborativa atinge usuários enquanto elemento inserido em grupos com interesses ou atividades similares.

Filtragem Colaborativa: é uma avaliação de similaridade entre pessoas, que pode ser feita pelo histórico, em que os itens são associados pela correlação item a item, e pelo perfil, onde se associa pela correlação usuário a usuário, calculando-se a similaridade entre usuários e, para cada usuário, um conjunto de usuários mais próximos. Os escores para os itens não vistos são definidos com base na combinação de escores conhecidos dos vizinhos mais próximos.

Filtragem Baseada em Conteúdo: pode recomendar objetos classificados no perfil feito pelo usuário ou recomendar objetos similares aos objetos que o usuário já comprou. É necessário classificar os itens: pelo perfil das características pessoais; pelo histórico dos itens associados;

ou pelos atributos das classes, que devem ser compatíveis.

Filtragem Híbrida: utilizando recomendações colaborativas, experiências de outros usuá- rios são levadas em consideração e utilizando recomendações baseadas em conteúdo, é possível lidar com itens não vistos por outros usuários. É possível assim recomendar bons itens a um usuário mesmo que não existam ainda usuários semelhantes a ele na base de dados.

Por exemplo a RNP - Rede Nacional de Ensino e Pesquisa, mantém um serviço de vídeo sob demanda utilizando a Filtragem Baseada em Conteúdo66e a Plataforma RecS-DL (PEDRO- NETTE; TORRES, 2008) visa a ampliar a utilizacão das ferramentas de recomendação, usando a Filtragem Híbrida e combinando serviços na Web, no ambiente da Biblioteca Digital da Uni- camp.

A implementação de sistemas de filtragem exige a aplicação de técnicas de Inteligência Artificial na execução das tarefas, o que, no caso da Web, acontece com o uso de programas denominados agentes. Agentes emulam alguns processos da inteligência de seres humanos e apresentam alguma forma de raciocínio. Certos processos do pensamento na gestão dos conhe- cimentos, como a avaliação de fatos e de estratégias e a obtenção de conclusões, podem ser reproduzidos computacionalmente. Neste momento se atinge tal capacidade de armazenamento e processamento que torna viável a construção de máquinas que podem simular muitos dos atri- butos humanos, entre elas, os robôs. Agentes de software são um tipo de robô informático que atua na Web. Na seção seguinte é feita uma revisão técnica sobre os agentes onde se objetiva destacar as bases práticas em que será operado o Sistema DocUnB.