Trabalhos similares

Esta seção apresenta trabalhos similares ao sistema desenvolvido. Ao final desta seção encontra-se uma comparação entre os trabalhos explanados.

2.1.4.1 PHOAKS (TERVEEN et al, 1997)

O PHOAKS ( People Helping One Another Know Stuff – Pessoas ajudando umas as outras a encontrar material) é um sistema de recomendação que utiliza a técnica de filtragem colaborativa para realizar recomendações de recursos Web, através de URLs, baseado nas informações contidas nas mensagens postadas pelos usuários da UseNet. A UseNet é um sistema web, que funciona como um quadro de avisos em que qualquer usuário do sistema pode comentar, enviar ou ler um artigo.

As recomendações geradas pelo PHOAKS baseiam-se nas mensagens postadas pelos usuários da UseNet. O sistema vasculha as mensagens que foram postadas em busca de recomendações de URLs feitas pelos usuários. Ao encontrar as URLs o sistema realiza uma série de testes e análises para verificar se a URL não é uma propaganda, não está sendo replicada da mensagem anterior ou não foi postada em diversos grupos diferentes e é então considerada genérica demais para ser uma recomendação. Segundo Terveen et al (1997), estes testes e análises permitem distinguir o propósito em que uma URL foi mencionada.

Segundo Terveen et al (1997), para avaliar as recomendações geradas pelo PHOAKS são observados dois aspectos: precision (precisão) e recall (revocação). Precisão define-se pelo percentual de recursos web que os testes classificaram como pertencentes a categoria em que o recurso já está inserido e revocação define-se pelo percentual de recursos que pertencem a uma categoria e que os testes classificaram como pertencentes aquela categoria.

As URLs são recomendadas para um grupo que tenha interesse no assunto em que ela foi sugerida. A lista de URLs recomendadas apresenta o número de vezes que a URL foi citada e permite que o usuário acesse a mensagem em que a URL foi postada, podendo analisar em que contexto ela foi sugerida.

Segundo Terveen et al (1997), o PHOAKS se diferencia dos demais sistemas de recomendação em dois princípios: especialização das funções e reuso. A maioria dos sistemas de recomendação, principalmente os que se baseiam na avaliação dos itens por parte dos usuários, considera que os usuários desempenham funções iguais (ex: todos são alunos). As recomendações

de URLs feitas por um professor são diferentes das recomendações feitas por um aluno, assim como a recepção das recomendações. O PHOAKS assume que destinatários e provedores de recomendações possuem funções diferenciadas. O PHOAKS reusa recomendações provindas do conteúdo postado pelos usuários, algo que não exige trabalho extra por parte dos provedores de recomendação nem avaliação da qualidade das informações por parte dos usuários.

O PHOAKS tem acesso livre desde fevereiro de 1996, e até o final de dezembro do mesmo ano já havia sido acessado por 300 mil usuários.

2.1.4.2 Sistema de Recomendação para Bibliotecas Digitais (LOPES et al, 2006)

O Sistema de Recomendação para Bibliotecas Digitais foi desenvolvido para realizar a recomendação de artigos científicos na área da Ciência da Computação, armazenados em uma biblioteca digital, baseado nas informações contidas no Currículo Lattes do usuário e na descrição dos artigos.

Do ponto de vista tecnológico, o sistema foi desenvolvido sobre a perspectiva da Web Semântica, pois utiliza-se de suas tecnologias emergentes como a utilização de metadados padrão para descrição dos artigos (Dublin Core), uso de XML padrão para descrever o perfil do usuário (Currículo Lattes) e provedor de serviços e dados para gerar as recomendações (LOPES et al, 2006).

O sistema utiliza a técnica de filtragem baseada em conteúdo para realizar as recomendações, pois tem por objetivo comparar as informações obtidas no perfil do usuário com os dados obtidos da descrição dos artigos. Os dados extraídos do Currículo Lattes utilizados para comparação por parte do perfil do usuário são o título e as palavras-chave contidas na formação acadêmica e a produção bibliográfica do autor. Os dados extraídos dos metadados dos artigos utilizados para comparação são o dc:title (título) e dc: description (descrição).

O sistema foi desenvolvido como um provedor de serviços, WebService, em que o sistema busca os metadados em formato Dublin Core que descrevem os artigos armazenados em uma determinada biblioteca digital, extrai as informações pertinentes para a recomendação e armazena estas em um banco de dados local, e cataloga os arquivos XML recebidos. O usuário que deseja receber as recomendações se cadastra no sistema e envia o seu Currículo Lattes em formato XML para o sistema. Assim como com o XML que descreve os artigos, o sistema extrai as informações do Currículo Lattes pertinentes para realizar a recomendação e armazena no banco de dados local.

Tendo estes dados armazenados, o sistema realiza a tarefa de recomendação, e produz um arquivo XML no padrão Dublin Core com os artigos recomendados para o usuário.

Para avaliar o sistema desenvolvido foi realizado um teste com alunos e professores da Pós-Graduação do Instituto de Informática da UFRGS. Os usuários que se prontificaram em participar do teste disponibilizaram seus currículos Lattes. Foi possível avaliar as recomendações através da avaliação que cada um destes usuários atribuiu aos artigos recebidos avaliando-as como (i) péssimo;

(ii) ruim; (iii) médio; (iv) bom; e (v) ótimo. Foram realizadas diversas seções de avaliação das recomendações e em todas elas as avaliações positivas foram maiores que as negativas.

2.1.4.3 SisRecCol (LICHTNOW et al, 2006)

Segundo Lichtnow et al (2006) o SisRecCol (Sistema de Recomendação para apoio à Colaboração) foi desenvolvido para apoiar o processo de aprendizagem colaborativa. Partindo da idéia de que em muitas ocasiões o aluno não encontra o material de aprendizado que busca, necessitando assim da recomendação de um usuário mais experiente, o SisRecCol assume o papel intermediário entre os usuários, sugerindo materiais que venham complementar ou aprofundar o conhecimento do aluno através da identificação de seus interesses.

O SisRecCol recomenda materiais didáticos no formato .pdf, .doc e .rtf. Estes materiais estão armazenados na biblioteca digital. Todo o conteúdo da biblioteca é indexado e associado a conceitos, através do uso de ontologias. As recomendações realizadas pelo SisRecCol ocorrem em seções de chat ou fora das seções de chat.

As recomendações geradas na seção de chat ocorrem quando o sistema identifica os conceitos que estão sendo tratados enquanto os usuários trocam mensagens, então realiza uma cálculo de similaridade entre os conceitos e o material armazenado na biblioteca digital, para então realizar a recomendação. As recomendações feitas fora da seção de chat analisam os interesses que estão armazenados no perfil do usuário. O perfil do usuário possui campos cadastrais como nome, endereço, e-mail e assuntos de interesse. Este último dado é construído enquanto o usuário interage com o ambiente, avaliando os materiais.

As recomendações realizadas durante a seção de chat baseiam-se no perfil do usuário e no conteúdo do material, portanto nesta ocasião o sistema utiliza a técnica de filtragem baseada em conteúdo. Nas recomendações feitas fora da seção de chat o sistema se baseia nos materiais

acessados por outros usuários, portanto nesta ocasião o sistema utiliza a técnica de filtragem colaborativa.

Segundo Lichtnow et al (2006), para avaliar as recomendações realizadas pelo sistema durante a seção de chat, são observados dois aspectos: precisão e abrangência. Entende-se por precisão, a razão entre número de mensagens em que o assunto foi identificado corretamente e o número de mensagens em que o assunto foi identificado. Abrangência entende-se pela razão entre o número de mensagens em que o assunto foi identificado corretamente e o número de mensagens em que o assunto deveria ter sido identificado.

Conforme Lichtnow et al (2006), foram realizadas 3 seções de recomendação com o objetivo de avaliar o SisRecCol. O melhor resultado foi obtido quando se realiza as recomendações baseando-se num conjunto de mensagens, e o pior resultado foi obtido quando se analisa uma mensagem isolada. Através dos experimentos também foi possível verificar que é necessário um aperfeiçoamento das interfaces oferecidas pelo sistema.

2.1.4.4 Fab (BALABANOVIC; SHOHAM, 1997)

Segundo Balabanovic e Shohan (1997) o Fab é um sistema de recomendação que combina as técnicas de filtragem baseada em conteúdo e filtragem colaborativa, utilizando assim uma técnica de recomendação híbrida para recomendar páginas web. O objetivo de utilizar a técnica híbrida é o de eliminar os pontos fracos encontrados nas demais técnicas. O Fab foi implementado de forma distribuída e faz parte do projeto da Biblioteca digital da Universidade de Stanford.

A arquitetura do Fab baseia-se em dois agentes: agentes de coleção e agentes de seleção.

Além deles o sistema possui um roteador. Cada um dos agentes mantém um perfil com palavras contidas em páginas web que já foram avaliadas. Os agentes de coleção representam a pesquisa do usuário, é através deles que as páginas web que abordam um determinado interesse são indexadas.

Os agentes de seleção, baseando-se nos interesses do usuário, selecionam quais páginas lhe devem ser recomendadas, como apresentado na Figura 8.

Figura 8. Arquitetura Fab

Fonte: Balabanovic e Shohan (1997).

Quando o usuário recebe recomendações ele deve avaliá-las. Esta avaliação é importante, pois serve para atualizar o perfil do seu agente de seleção e também é utilizada para que o sistema recomende páginas bem avaliadas para usuários que possuam perfil similar.

Para avaliar o sistema um grupo de usuários o utilizou por um mês. Foi observado que as recomendações apresentadas pelo sistema baseando-se nos conteúdos de interesse dos usuários obtiveram uma avaliação positiva. Os usuários que possuíam interesses em comum receberam recomendações de um único agente de seleção, provando que um agente de seleção pode assumir em um momento recomendações específicas sobre um tema e automaticamente encontrar temas de interesse em comum entre os usuários.

2.1.4.5 Acquiring and revising preferences in a critique-based mobile recommender System (RICCI e NGUYEN, 2007)

Segundo Ricci e Nguyen (2007), raramente o usuário tem conhecimento efetivo de suas preferências quando começa a utilizar um sistema. Estas preferências tomam forma no momento em que o usuário deve tomar decisões de escolher ou descartar um produto. Em vista disso, é pertinente ao usuário revisar opiniões sobre o produto durante este processo.

O trabalho desenvolvido por Ricci e Nguyen (2007) desenvolveu uma metodologia de recomendação de produtos e a implementou no MobyRek, um sistema de recomendação para dispositivos portáteis que auxilia os usuários na busca por produtos de viagem.

Nesta abordagem o usuário pode fazer críticas as recomendações geradas pelo sistema. Ao receber a recomendação o usuário deve comentar se gostou ou não do produto sugerido. Os

comentários que o usuário faz permitem ao sistema ajustar as recomendações de acordo com as suas preferências. O sistema analisa os comentários através de regras criadas para classificá-los. As opiniões emitidas pelo usuário classificam-se em wish (desejo) ou must (dever). Uma tela do sistema pode ser vista na Figura 9.

Figura 9. Exemplo de comentário MobyRek Fonte: Ricci e Nguyen (2007).

O sistema permite ao usuário optar por receber recomendações baseadas em seu perfil, construído através de seções de recomendações anteriores (produto selecionado, comentários feitos), similaridade com algum produto que o usuário especifica, e através de busca por um produto informado pelo usuário, como pode ser visto na Figura 10.

Figura 10. Exemplo de possibilidade de recomendação Fonte: Ricci e Nguyen (2007).

Segundo Ricci e Nguyen (2007), para realizar testes com o sistema um grupo de 15 usuários utilizando um celular Nokia 6600 respondeu um questionário avaliando o sistema. Os aspectos avaliados neste questionário variaram entre a usabilidade do sistema e o aproveitamento das recomendações recebidas.

Conforme Ricci e Nguyen (2007), os resultados obtidos através dos testes com o sistema atingiram os objetivos esperados. Os usuários consideraram a interface do sistema amigável, a interação prazerosa e conseguiram de forma rápida achar restaurantes que atendessem aos seus interesses.

2.1.4.6 RecS-DL (PEDRONETTE; TORRES, 2008)

Segundo Pedronette e Torres (2008) existem diversos problemas que podem ser encontrados nas ferramentas utilizadas para a realização de recomendações disponíveis. Entre eles estão problemas como o fato de os sistemas de recomendação serem desenvolvidos para um domínio de aplicação único, utilizarem apenas uma técnica de recomendação e serem desenvolvidos em uma plataforma específica.

A fim de desenvolver uma plataforma de serviços de recomendação que reduza as limitações das ferramentas já existentes, tornando-se flexível quanto a plataforma e o domínio de aplicação e extensível quanto as técnicas de recomendação empregadas foi proposto o desenvolvimento da plataforma RecS-DL, que unifica as vantagens de algumas ferramentas já desenvolvidas na forma de um WebService (PEDRONETTE; TORRES, 2008).

Para realizar a comunicação entre as bibliotecas digitais e a plataforma de recomendação são utilizadas interfaces de comunicação, conforme visto na Figura 11. A interface de comunicação entre a aplicação e a plataforma é realizada através de serviços web, sendo que os métodos de acesso aos serviços providos pela plataforma seguem o padrão WSDL e a chamada de serviços através de requisições se dá através de requisições SOAP, conforme ilustra o identificador A.

Figura 11. Arquitetura da plataforma RecS-DL Fonte: Pedronette e Torres (2008).

Como as aplicações são independentes da plataforma RecS-DL é necessário que a plataforma disponha de uma forma de acessar os dados das aplicações, esta se dá através do módulo de aquisição, como ilustra o identificador B. As informações de cada aplicação obtidas pela plataforma são armazenadas em repositórios distintos, conforme ilustra o identificador C. Com as informações obtidas e armazenadas das aplicações, as técnicas de recomendação podem ser aplicadas para realizar recomendações a aplicação cliente através das engines de recomendação, conforme ilustra o identificador D. Como a plataforma RecS-DL tem o objetivo de ser utilizada por diversas bibliotecas digitais, há o módulo de configuração da plataforma, ilustrado pelo identificador E. A plataforma RecS-DL trabalha em seu módulo de engines de recomendação com o conceito de plug-ins. Através deste conceito é possível desenvolver e instalar facilmente novos métodos de recomendação. O módulo de engines de recomendação é composto basicamente por dois elementos, um pacote de implementação em Java e um conjunto de metadados XML baseados no padrão Dublin Core (PEDRONETTE; TORRES, 2008).

Para avaliar a plataforma RecS-DL foram realizados testes por um grupo de usuários que cursou a disciplina de Bibliotecas Digitais no ano de 2007 no Instituto de Computação da Unicamp

para verificar a efetividade de sua integração com distintas plataformas digitais. Não foi realizado nenhum teste a fim de validar as recomendações geradas pela plataforma. O único teste que foi aplicado neste sentido foi o de validar a utilidade da ferramenta com este grupo de usuários, no qual foi obtido um grau de 87% de aprovação.

2.1.4.7 Collaborative Filtering Using Dual Information Sources ( CHO et al, 2007)

A maioria dos sistemas que utiliza a técnica de filtragem colaborativa leva em conta que há apenas uma categoria de usuários. A proposta deste trabalho é a utilização de dois perfis de usuários que devem ser levados em conta quando se realiza recomendações, o grupo de usuários similares e o grupo de usuários especialistas.

Partindo desta abordagem foi desenvolvido o método DISCORS (Dual Information Source Model-Based Collaborative Recommender System). Levando em conta que a técnica de filtragem colaborativa baseia-se na similaridade entre os perfis dos usuários para realizar recomendações, o método DISCORS baseia-se na similaridade entre os perfis dos usuários e no nível de experiência que os usuários similares possuem na área, conforme visto na Figura 12.

Figura 12. DISCORS

Fonte: Adaptado de Cho et al (2007).

Segundo Cho et al (2007), para validar esta abordagem proposta foi comparada sua precisão de recomendação com estratégias como filtragem híbrida e filtragem colaborativa. Foram realizados testes com duas bases de usuários. O primeiro teste foi realizado com a base do MovieLens, obtendo uma precisão superior as demais técnicas. O segundo teste foi realizado com os usuários de um dos sites de uma subsidiária da Telecom Coreana. Novamente a precisão de recomendação obtida pela abordagem DISCORS foi superior as demais técnicas.

2.1.4.8 Informed Recommender: Basing Recommendations on Consumer Product Reviews ( ACIAR et al, 2007)

Este trabalho desenvolveu uma nova abordagem para realizar recomendações aos usuários.

Baseando-se nos comentários de forma textual feitos pelos usuários acerca de um produto, utilizam-se técnicas de text-mining para mapear automaticamente cada parte do comentário para uma ontologia já definida, conforme pode ser visto na Figura 13.

Figura 13. Processo de recomendação baseado em comentários dos usuários Fonte: Adaptado de Aciar et al (2007).

Segundo Aciar et al (2007), o sucesso da recomendação se dá pelo conhecimento semântico que se tem sobre o comentário que foi feito pelos usuários, obtido pelo mapeamento deste para uma ontologia. A ontologia definida para esta abordagem possui duas partes principais, qualidade da opinião e qualidade do produto. A qualidade da opinião se refere à experiência que o usuário possui e a experiência que o usuário possui sobre o produto que está comentando. A qualidade do produto se refere à avaliação que o usuário fez sobre o produto.

A recomendação é baseada nos comentários feitos pelos usuários, que recebem um peso maior ou menor de acordo com o grau de experiência que se obtém de suas informações. Para

realizar testes com esta abordagem de recomendação foram utilizados comentários feitos pelos usuários sobre uma câmera digital no site Digital Photography Review.

Partindo dos comentários o sistema realizou o mapeamento destes para a ontologia definida.

Com os comentários mapeados foi realizado o processo de recomendação que analisa a avaliação dada à câmera e os atributos de experiência do usuário que fez os comentários. Esta abordagem apresenta a avaliação que os usuários atribuíram à câmera que o usuário requisitou e apresenta a recomendação de uma câmera que apresente os atributos que o usuário deseja. Como conclusão dos testes o sistema classificou a câmera avaliada como ruim e recomendou uma câmera melhor.

2.1.4.9 RACOFI ( ANDERSON et al, 2003)

Segundo Anderson et al (2003) com a padronização dos objetos de aprendizagem através do SCORM e IMS é possível realizar buscas em repositórios que retornem centenas de objetos de aprendizagem. Porém este processo é inadequado para a demanda atual da sociedade, que necessita de resultados imediatos e que satisfaçam suas necessidades. Para contornar este problema utilizam-se sistemas que prevêem as necessidades dos usuários.

Como parte do projeto Sifter, um projeto comum entre o NRC (National Research Council) e o KnowledgePool do Canada foi desenvolvido o RACOFI, um sistema que aplica regras de filtragem colaborativa para realizar recomendações. O RACOFI é o resultado da integração de dois sistemas: COFI (Collaborative Filtering) e RALOCA (Rule Applying Learning Comparison Object). O RALOCA se foca nos metadados objetivos (dados sobre o item) considerando que o recomenda itens a um usuário baseado na correlação entre as avaliações atribuídas pelo usuário e os demais usuários. Ele se diferencia dos demais sistemas de recomendação por poder se adaptar dinamicamente em tempo real as avaliações feitas graças a sua estrutura multidimensional de classificar as avaliações e a capacidade de aplicar regras de consulta.

Embora a aplicação de teste do RACOFI seja sobre música, ele não se limita a este domínio.

A maior vantagem do RACOFI é ter a capacidade de atender as necessidades do sistema que o utiliza. Assim como foi desenvolvido um sistema de recomendação de música canadense, poderia ter sido desenvolvido um sistema de recomendação de filmes ou de objetos de aprendizagem. Esta flexibilidade do sistema é possível por duas razões: para a filtragem colaborativa não importa o conteúdo do item que se deseja recomendar, apenas a avaliação dada a ele, e o fato de que a filtragem baseada em conteúdo pode atender regras de um domínio específico.

O sistema RACOFI Music está online e disponível para o público desde 2003. É possível visualizar um exemplo de recomendação na Figura 14.

Figura 14. Recomendação gerada pelo RACOFI Music

Figura 14. Recomendação gerada pelo RACOFI Music