Abordagens de Teoria dos Jogos para modelagem de Sistemas de Recomendação para grupos

Texto

(1)UNIVERSIDADE FEDERAL DE SERGIPE CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Abordagens de Teoria dos Jogos para modelagem de Sistemas de Recomendação para Grupos. Lucas Augusto Montalvão Costa Carvalho. SÃO CRISTÓVÃO/ SE 2013.

(2) UNIVERSIDADE FEDERAL DE SERGIPE CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Lucas Augusto Montalvão Costa Carvalho. Abordagens de Teoria dos Jogos para modelagem de Sistemas de Recomendação para Grupos. Dissertação apresentada ao Programa de PósGraduação em Ciência da Computação (PROCC) da Universidade Federal de Sergipe (UFS) como parte de requisito para obtenção do título de Mestre em Ciência da Computação.. Orientador: Prof. Dr. Hendrik Teixeira Macedo SÃO CRISTÓVÃO/ SE 2013.

(3) FICHA CATALOGRÁFICA ELABORADA PELA BIBLIOTECA CENTRAL UNIVERSIDADE FEDERAL DE SERGIPE. C331a. Carvalho, Lucas Augusto Montalvão Costa Abordagens de Teoria dos Jogos para modelagem de Sistemas de Recomendação para grupos / Lucas Augusto Montalvão Costa Carvalho ; orientador Hendrik Teixeira Macedo. – São Cristóvão, 2013. 95 f. : il.. Dissertação (Mestrado em Ciência Universidade Federal de Sergipe, 2013.. da. Computação). –. 1. Inteligência artificial. 2. Sistemas de Recomendação para Grupo. 3. Teoria dos jogos. I. Macedo, Hendrik Teixeira, orient. II. Título. CDU 004.89.

(4) Lucas Augusto Montalvão Costa Carvalho. Abordagens de Teoria dos Jogos para modelagem de Sistemas de Recomendação para Grupos. Dissertação apresentada ao Programa de PósGraduação em Ciência da Computação (PROCC) da Universidade Federal de Sergipe (UFS) como parte de requisito para obtenção do título de Mestre em Ciência da Computação.. BANCA EXAMINADORA. Prof. Dr. Hendrik Teixeira Macedo, Presidente Universidade Federal de Sergipe (UFS). Dr. Frederico Araújo Durão, Membro Universidade Federal da Bahia (UFBA). Prof. Dra. Maria Augusta Silveira Netto Nunes, Membro Universidade Federal de Sergipe (UFS).

(5) Abordagens de Teoria dos Jogos para modelagem de Sistemas de Recomendação para Grupos. Este exemplar corresponde à Dissertação de Mestrado do aluno Lucas Augusto Montalvão Costa Carvalho para ser avaliada pela Banca examinadora.. São Cristóvão - SE, 20 de Fevereiro de 2013. ______________________________________ Prof. Dr. Hendrik Teixeira Macedo Orientador. ______________________________________ Dr. Frederico Araújo Durão Membro. ______________________________________ Prof. Dra. Maria Augusta Silveira Netto Nunes Membro.

(6) Dedicatória Dedico esta dissertação à Deus, aos meus pais José Augusto e Conceição, e à minha noiva, Flávia, por todo o apoio durante todos os momentos deste trabalho.. i.

(7) Agradecimentos À Deus por estar ao meu lado em todos os momentos e pelo maior dom que uma pessoa pode receber que é a própria vida. Aos meu pais José Augusto e Conceição, por estarem presentes nas conquistas que já obtive e darem condições para conquistar tudo que almejo. A minha noiva Flávia, pelo amor, paciência e principalmente por acreditar em mim mesmo nos momentos em que tudo parecia tão difícil. Aos meus irmãos, Lívio e Lênio, minhas cunhadas Carol, Germana e Juliane, meu cunhado Tiago, meu sogro João e minha sogra Célia pelo carinho, apoio e incentivo. Ao meu orientador e amigo, Prof. Dr. Hendrik Macedo por ter sido uma pessoa impar em minha trajetoria acadêmica, desde o tempo de graduação, confiando em minhas decisões, apoiando e clareando as idéias nas horas difíceis e principalmente acreditando no meu trabalho. À Prof. Msc. Débora Maria Coelho por me incentivar a fazer o mestrado em um momento de muitas dúvidas e incertezas, o que acabou contribuindo decisivamente para que eu me inscreve-se no programa da UFS. Aos amigos Ricardo Rabelo, Carlos Augusto, Murilo Alves, Gustavo Quirino e Marlon Prata pela amizade, irmandade e apoio nos momentos mais difíceis deste trabalho e das disciplinas do mestrado e aos demais colegas do mestrado que me propiciaram momentos de grande sabedoria, amizade e companheirismo. Aos meus professores do mestrado e da graduação por tantos ensinamentos sobre a vida e sobre as matérias de computação e que me foram tão úteis durante o período do mestrado. Aos meus ex-colegas de Tribunal de Justiça de Sergipe, pela compreensão durante o tempo em que eu estive dedicado às atividades do mestrado. À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), pela concessão de bolsa de estudo nos últimos quatro meses do mestrado. ii.

(8) À Wolney Mello Neto pela amizade, pelas conversas sobre nossos temas de mestrado e pela ajuda no desenvolvimento de parte do aplicativo MyPopCorn, também aproveitado na sua dissertação de mestrado. Aos meus sobrinhos (Mariana, João, Manuela e Luísa) por terem tornado esse período de tantos sacrifícios menos sofrido no tempo que passava com eles, e por me ensinarem tantas coisas sobre a vida nesses momentos. Em fim, a todos que direta e indiretamente contribuíram para conclusão deste trabalho.. iii.

(9) Resumo Sistemas de Recomendação tradicionalmente recomendam itens para usuários individuais. Em alguns cenários, entretanto, a recomendação para um grupo de indivíduos faz-se necessária, onde a grande dificuldade é como lidar adequadamente com as preferências de seus integrantes para geração da recomendação. Diferentes métodos de agregação dessas preferências têm sido propostos na literatura científica relacionada, onde o objetivo principal é a maximização da satisfação média do grupo e assegurar justiça na recomendação. Porém, características do grupo influenciam sobremaneira os resultados obtidos pelos diferentes métodos de agregação. Esta dissertação defende a hipótese de que a Recomendação para Grupo de usuários pode ser modelada como um problema de encontrar os itens em Equilíbrio de Nash. Os itens disponíveis para potencial recomendação são modelados como ações de um Jogo Não-Cooperativo. A abordagem seleciona os itens de forma racional e trata os membros do grupo como jogadores com interesses próprios. Garante-se a existência de ao menos um Equilíbrio de Nash como solução para a recomendação. O experimento realizado compara a satisfação média do grupo entre a abordagem proposta e estratégias de agregaçãos entre elas a conhecida como Average, pertencente ao Estado da Arte. Para grupos de diferentes níveis de homogeneidade, os resultados alcançados são bastante promissores. Uma outra hipótese defendida nesta dissertação é a de que a formação de um grupo de usuários dentro de um determinado contexto deve ser baseada em Estruturas de Aliança com o objetivo de maximizar o bem-estar social total do grupo (Social Welfare). Enquanto a maioria das recomendações para grupos são realizadas para um grupo fixo e pré-determinado de usuários, a organização em grupos poderia ser de acordo com um objetivo. Um experimento comparou o resultado da abordagem de formação de grupos baseadas em Estruturas de Aliança com uma abordagem baseada em agrupamento com o algoritmo K-Means. Resultados mostraram que os grupos formados com a nova abordagem possuem um índice de similaridade interna maior. Palavras-chaves: Sistemas de Recomendação para Grupo, Teoria dos Jogos, Equilíbrio de Nash, Social Welfare.. iv.

(10) Abstract Recommendation systems have traditionally recommended items to individual users. In some scenarios, however, a recommendation for a group of individuals is necessary. The difficulty in performing recommendation for a group is how to properly deal with the preferences of its members to generate the recommendation. Different methods of aggregating these preferences have been proposed in the scientific literature, where the main goals are to maximize the average satisfaction of the group and ensure justice in the group recommendation. However, characteristics of the group greatly influence the results obtained by various aggregation methods. This paper defends the hypothesis that the Recommendation for Group of users can be modeled as a problem of finding the items in Nash Equilibrium. The items available for potential recommendation are modeled as actions of a Non-Cooperative Game. This approach selects items in a rational manner and treats members of the group as self-interested players. This ensures the existence of at least one Nash equilibrium as a solution to the group recommendation. The experiment compares the group average satisfaction between the proposed approach and some State of the Art aggregations strategies among them one known as Average. For groups of different levels of homogeneity, the results are very promising. Another hypothesis defended in this dissertation is that the formation of a group of users within a given context should be based on Alliance Structures with the goal of maximizing total Social Welfare of the group. While most recommender systems for groups recommend to a fixed group and predetermined user, groups organization can be performed according to a goal, for example, the suggestion of more homogeneous subgroups for better items recommendation for each of these subgroups. An experiment compared the outcome of the groups formation approach based on Alliance Structures with an approach based on a clustering method using K-Means algorithm. The results showed that the groups formed according to this new approach have an internal similarity index greater. Keywords: Group Recommendation, Game Theory, Nash Equilibrium, Social Welfare. v.

(11) Lista de Figuras 3.1. Dilema do Prisioneiro: exemplo de jogo na forma normal. . . . . . . . . .. 35. 4.1. Esquema de Funcionamento da Estratégia Proposta . . . . . . . . . . . . .. 43. 4.2. Histograma de previsão de avaliação para o cenário de experimentação 1. .. 45. 4.3. Histograma de previsão de avaliação para o cenário de experimentação 2. .. 46. 4.4. Página “Avaliar Filmes” do MyPopCorn. . . . . . . . . . . . . . . . . . . .. 54. 4.5. Página de “Minhas Avaliações” do MyPopCorn. . . . . . . . . . . . . . . .. 55. 4.6. Página “Avaliações dos Amigos” do MyPopCorn. . . . . . . . . . . . . . .. 56. 4.7. Página “Recomendação de Filmes” do MyPopCorn. . . . . . . . . . . . . .. 57. 4.8. Página “Meu Grupo” do MyPopCorn. . . . . . . . . . . . . . . . . . . . .. 57. 4.9. Página “Recomendação para o Grupo” do MyPopCorn. . . . . . . . . . . .. 58. vi.

(12) Lista de Tabelas 2.1. Exemplos de Sistemas de Recomendação para Grupos . . . . . . . . . . .. 10. 2.2. Categorias das estratégias de agregação individual [Senot et al., 2011] . . .. 23. 2.3. Preferências individuais. . . . . . . . . . . . . . . . . . . . . . . . . . . .. 23. 2.4. Estratégias de agregação de preferência individual (adaptado de [Masthoff, 2004]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 24. 4.1. Preferências individuais. . . . . . . . . . . . . . . . . . . . . . . . . . . .. 44. 4.2. Matriz de Payoff para o jogo. . . . . . . . . . . . . . . . . . . . . . . . . .. 44. 4.3. Previsão de satisfação média para os grupos homogêneos no cenário de experimentação 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4.4. Previsão de satisfação média para os grupos heterogêneos no cenário de experimentação 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4.5. 50. Previsão de satisfação média para os grupos heterogêneos no cenário de experimentação 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4.9. 49. Previsão de satisfação média para os grupos homogêneos no cenário de experimentação 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4.8. 49. Correlação do número de membros do grupo e o resultado das estratégias para o cenário de experimentação 1. . . . . . . . . . . . . . . . . . . . . .. 4.7. 48. Previsão de satisfação média para os grupos homogêneos e heterogêneos no cenário de experimentação 1. . . . . . . . . . . . . . . . . . . . . . . . . .. 4.6. 48. 50. Previsão de satisfação média para os grupos homogêneos e heterogêneos no cenário de experimentação 2. . . . . . . . . . . . . . . . . . . . . . . . . . vii. 51.

(13) 4.10 Correlação do número de membros do grupo e o resultado das estratégias para o cenário de experimentação 2. . . . . . . . . . . . . . . . . . . . . .. 51. 4.11 Números relacionadas a base do aplicativo MyPopCorn. . . . . . . . . . .. 53. 5.1. Preferências individuais dos usuários para os itens. . . . . . . . . . . . . .. 61. 5.2. Resultado das estruturas de aliança na formação dos grupos. . . . . . . . .. 63. 5.3. Resultado do algoritmo K-Means na formação de grupos. . . . . . . . . . .. 64. 5.4. Correlação na abordagem baseada em cooperação. . . . . . . . . . . . . .. 65. 5.5. Correlação na abordagem baseada no K-Means. . . . . . . . . . . . . . . .. 65. viii.

(14) Lista de Siglas API - Application Programming Interface CATS - The Collaborative Advisory Travel System IDE - Integrated Development Environment IMDb - International Movie Database SDK - Software Development Kit. ix.

(15) Sumário. 1. 2. Introdução. 1. 1.1. Justificativa e Hipóteses . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4. 1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6. 1.3. Organização da Dissertação . . . . . . . . . . . . . . . . . . . . . . . . . .. 7. Sistema de Recomendação para Grupos. 8. 2.1. Definições de Grupos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 9. 2.2. Exemplos de Sistemas de Recomendação para Grupos . . . . . . . . . . .. 10. 2.3. Classificações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 11. 2.4. Problemáticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 12. 2.4.1. Elicitação de informações de preferências do usuário . . . . . . . .. 12. 2.4.2. Geração de recomendação . . . . . . . . . . . . . . . . . . . . . .. 14. 2.4.2.1. Agregação de recomendações individuais . . . . . . . . .. 14. 2.4.2.2. Construção de modelo de preferência do grupo . . . . . .. 15. 2.4.2.3. Agregação das avaliações/preferências para itens particu-. 2.5. lares . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 17. 2.4.3. Explicação da recomendação . . . . . . . . . . . . . . . . . . . . .. 18. 2.4.4. Suporte à tomada de decisão final pelos usuários . . . . . . . . . .. 19. Estratégias de Agregação de Preferências Individuais . . . . . . . . . . . .. 20. 2.5.1. 23. Exemplo ilustrativo das estratégias de agregação . . . . . . . . . . x.

(16) 2.5.2. Critérios de Qualidade . . . . . . . . . . . . . . . . . . . . . . . .. 25. Sequência de Itens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 26. 2.6.1. Decisões independentes, desconsiderando como sequência . . . . .. 27. 2.6.2. Recomendação única . . . . . . . . . . . . . . . . . . . . . . . . .. 28. 2.6.3. Decisões independente, porém considerando sequência . . . . . . .. 28. 2.7. Avaliação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 29. 2.8. Considerações Finais do Capítulo . . . . . . . . . . . . . . . . . . . . . .. 31. 2.6. 3. Teoria dos Jogos. 33. 3.1. Jogos Não-Cooperativos . . . . . . . . . . . . . . . . . . . . . . . . . . .. 33. 3.1.1. Jogos na Forma Normal . . . . . . . . . . . . . . . . . . . . . . .. 34. 3.1.1.1. Exemplo do Dilema do Prisioneiro . . . . . . . . . . . .. 35. 3.1.1.2. Estratégias em jogos na forma normal . . . . . . . . . .. 36. Definição de Melhor Resposta e Equilíbrio de Nash . . . . . . . . .. 37. 3.2. Jogos Cooperativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 38. 3.3. Considerações Finais do Capítulo . . . . . . . . . . . . . . . . . . . . . .. 39. O problema da Recomendação para Grupos como um Jogo Não Cooperativo. 40. 4.1. Definições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 40. 4.2. Jogo na forma normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 41. 4.3. Esquema Geral de Funcionamento . . . . . . . . . . . . . . . . . . . . . .. 42. 4.4. Exemplo Ilustrativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 42. 4.5. Experimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 44. 4.6. Aplicativo Desenvolvido . . . . . . . . . . . . . . . . . . . . . . . . . . .. 50. 4.7. Considerações Finais do Capítulo . . . . . . . . . . . . . . . . . . . . . .. 55. 3.1.2. 4. xi.

(17) 5. 6. O problema da Formação de Grupos como um Jogo Cooperativo. 59. 5.1. Formalização do Problema . . . . . . . . . . . . . . . . . . . . . . . . . .. 59. 5.2. Experimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 62. 5.3. Considerações Finais do Capítulo . . . . . . . . . . . . . . . . . . . . . .. 64. Conclusões. 66. 6.1. Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 67. 6.2. Limitações e Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . .. 67. Referências. 68. xii.

(18) Capítulo 1 Introdução Sistemas de recomendação tradicionais realizam sugestões personalizadas de itens ainda não avaliados pelo usuário e que são de potencial interesse para o mesmo (RESNICK; VARIAN, 1997; BURKE, 2002; ADOMAVICIUS; TUZHILIN, 2005; CAZELLA; NUNES; REATEGUI, 2010). Para que seja possível um sistema de recomendação gerar uma sugestão de item para um usuário, deve ser construído um perfil de interesse individual a partir da avaliação de itens feita por este. Com base nesse perfil de interesse, técnicas de análise de similaridade entre usuários, conhecida como filtragem colaborativa (HERLOCKER et al., 2004) ou entre itens, conhecida como filtragem baseada em conteúdo (PAZZANI; BILLSUS, 2007) são usadas para geração da recomendação. Além dessas técnicas tradicionais, vem surgindo, nos últimos anos, novas abordagens para geração de recomendação para indivíduos como baseadas em personalidade (NUNES, 2009; HU; PU, 2010), baseada em contexto (ADOMAVICIUS; TUZHILIN, 2011), baseada em conhecimento (BURKE, 2002), baseada em dados demográficos (BURKE, 2002), baseada em utilidade (ADOMAVICIUS; TUZHILIN, 2011), baseada em metadados (DURAO; DOLOG, 2010), entre outras. A literatura científica relacionada a recomendações para indivíduos é de fato relativamente vasta. Entretanto, alguns cenários demandam por recomendações para grupo de indivíduos e as técnicas acima citadas não resolvem este novo problema. Como exemplo de cenários de recomendação para grupos estão a recomendação de repertório de músicas para uma festa, a recomendação de um restaurante para um almoço de negócios, um destino de viagem para a família e filmes para um grupo de amigos.. 1.

(19) 2 Recomendação para grupos é uma tarefa que exige um nível a mais de complexidade do que a recomendação para indivíduos. Entre as dificuldades que se apresentam em um sistema de recomedação para grupos está a necessidade de uma estratégia de agregação para a geração da recomendação. Existem três tipos de estratégias de agregação possíveis (JAMESON; SMYTH, 2007; BORATTO; CARTA, 2011; MASTHOFF, 2011): (i) mesclar as listas de recomendações individuais obtidas para cada membro em uma lista única para o grupo; (ii) agregar as preferências individuais de todos os membros do grupo para itens particulares utilizando alguma estratégia tradicionalmente baseada na teoria da Social Choice (ARROW, 1963; SEN, 1995; PENNOCK; HORVITZ; GILES, 2000); ou (iii) criar um perfil ou modelo de preferência único para o grupo como um todo. A escolha da estratégia de agregação mais adequada para o sistema de recomendação para grupos não é uma tarefa trivial. Esta estratégia precisa considerar que os membros do grupo desejam atender a suas próprias preferências, porém também se preocupam em evitar usuários sempre insatisfeitos com a recomendação (misery) e assegurar justiça na recomendação para o grupo (MASTHOFF, 2004). Dois trabalhos de autores diferentes buscam maximizar a satisfação média do grupos, considerando a personalidade e as relações sociais entre os integrantes para selecionar os itens a serem recomendados a partir das recomendações individuais (QUIJANO-SáNCHEZ; Recio Garcia; DÍAZ-AGUDO, 2010; RECIO-GARCIA et al., 2009). Para isso eles consideram as pessoas numa escala entre assertivas ou cooperativas e utilizam essa informação sobre o usuário para adaptar uma estratégia de agregação. Uma metodologia de negociação cooperativa para a solução do problema é apresentada por (BEKKERMAN; KRAUS; RICCI, 2006), onde cada usuário é representado por um agente negociador, todos com o mesmo comportamento. Uma vez que as recomendações individuais são obtidas, o processo de negociação se inicia, onde dentro de uma negociação o agente pode aceitar ou recusar uma oferta. Em (GARCIA et al., 2011), os usuários também são modelados como agentes que podem ter um comportamento mais colaborativo ou com interesses próprios. Esses agentes podem aceitar parte da oferta ou fazer uma contraproposta. Uma outra questão ocorre onde, a maioria dos sistemas de recomendação para grupos.

(20) 3 recomendam para um grupo fixo e pré-determinado de usuários. Entretanto, em algumas situações, não é possível (ou não é de interesse) estabelecer previamente um grupo de usuários. Neste caso, a organização em grupos se dá de acordo com o objetivo em voga. Em sistemas de recomendação, um exemplo é a sugestão de subgrupos mais homogêneos para uma melhor recomendação de itens para cada um desses subgrupos. A formação automática de grupos é interessante ainda por alguns motivos: (i) pessoas mudam de ideia frequentemente, então a participação de um usuário em um grupo pode não ter vida longa, ou (ii) restrições tecnológicas podem permitir que um sistema suporte apenas uma certa quantidade de grupos (ou um número máximo de membros por grupos). Alguns sistemas de recomendação para grupos formam automaticamente grupos de usuários (QUIJANO-SáNCHEZ et al., 2011; BORATTO et al., 2009; BORATTO; CARTA, 2011; CANTADOR; CASTELLS; SUPERIOR, 2008). Um desses sistemas (QUIJANOSáNCHEZ et al., 2011) utiliza a personalidade e a confiança como o meio para definir alianças e obter acordos dentro de um grupo de pessoas. O autor afirma que sua abordagem procura reproduzir o comportamento de usuários reais quando negociam itens para consumir, procurando identificar os líderes do grupo e testando o número de pessoas que eles são capazes de convencer sobre o consumo de certos itens. Ele ainda considera que a personalidade de um usuário determina se suas escolhas serão mais cooperativas ou egoístas com relação ao grupo. Outra abordagem (CANTADOR; CASTELLS; SUPERIOR, 2008) descobre automaticamente comunidades de interesse (e.g. um grupo de indivíduos que compartilham e trocam ideias sobre um determinado assunto) e produz recomendações para estes. Para isso, a abordagem utiliza perfis baseados em ontologia, onde cada perfil mede o interesse do usuário nos conceitos da ontologia. Depois de definidos, esses interesses são usados para formar clusters dos conceitos, sendo possível formar relações entre usuários em diferentes níveis, obtendo uma rede de interesse multi-nível que permite encontrar multiplas comunidades de interesse. No trabalho (NTOUTSI et al., 2012), o autor procura alavancar a noção de suporte ao modelo de confiança da recomendação, realizando um particionamento dos usuários em cluster de usuários semelhantes. Com isso, as recomendações para os usuários são geradas a partir da preferência destes membros dos clusters sem necessitar buscar por usuários semelhantes em toda a base, havendo também um ganho de performance no sistema. Em um outro trabalho, (BORATTO et al., 2009; BORATTO; CARTA, 2011) propõe um algo-.

(21) 1.1 Justificativa e Hipóteses. 4. ritmo que detecta grupos de usuários cuja preferência são similares e recomenda itens para esses grupos. Grupos de diferentes granularidades são gerados através de um algoritmo de detecção automática de comunidades baseado em modularidade. Resultado experimentais, verificaram que a qualidade da recomendação para o grupo aumenta linearmente com o número de grupos criados.. 1.1. Justificativa e Hipóteses. Em (MASTHOFF, 2004), compara-se as decisões de participantes com a racionalidade de estratégias de agregação. O estudo encontra quais estratégias os participantes consideram mais adequadas e conclui que os participantes preocupam-se com a justiça1 , na prevenção de misery2 e starvation3 durante o processo de recomendação para o grupo. Esse estudo comprova que os usuários podem não ser alheios a estratégia de agregação adotada, e que eles procuram um equilíbrio entre justiça e atender às próprias preferências. Para a escolha de uma estratégia de agregação de preferência individual, faz-se necessário consideradar as características do grupo e as vantagens e desvantagens de cada uma para verificar qual delas é a mais adequada ao grupo. Estratégias baseadas em consenso tendem a ter seu desempenho diminuido em grupos heterogêneos e quando o número de membros do grupo aumenta, pois torna-se mais difícil encontrar o consenso em grupos com essas características. Na avaliação do YU’s TV Recommender (YU et al., 2006), a estratégia de agregação Average funcionou bem para grupos próximos da homogeneidade, porém o resultado piorou significativamente quando o grupo se aproximou da máxima heterogeneidade. O trabalho de (SENOT et al., 2010) mostra o aumento na quantidade de membros do grupo e a diminuição da satisfação média para a 1. O conceito de justiça, significa que o grupo está satisfeito no geral com a recomendação, não havendo. usuários muito satisfeitos enquanto outros usuários encontram-se muito insatisfeitos. 2 Em sistemas de recomendação para grupos, misery ocorre quando alguns usuários nunca tem suas preferências atendidas, ficando sempre insatisfeitos com as recomendações para o grupo. 3 O problema de starvation ocorre quando sempre os mesmos itens são recomendados para o grupo, que pode ocorrer, por exemplo, em um sistema de recomendação de estações de rádio (MCCARTHY; ANAGNOST, 1998)..

(22) 1.1 Justificativa e Hipóteses. 5. recomendação do grupo. Nos grandes eventos esportivos (OLIVEIRA; ORDONEZ; ALMEIDA., 2012) que irão ocorrer no Brasil durante a Copa do Mundo de 2014 e nos Jogos Olímpicos e Paralímpicos de 2016, milhares de pessoas estarão reunidas para participar desses eventos e minieventos que serão realizados para entretenimento. Estas estarão formando grupos aleatórios e possivelmente heterogêneos que, potencialmente serão alvo de recomendações de músicas, informações ou notícias, restaurantes, shows, entre outros. Nesse tipo de grupo aleatório, considera-se que os usuários possuem interesses próprios, o que significa que o usuário tem sua própria definição de cada item que ele gostaria de receber como recomendação. O equilíbrio de Nash, da teoria dos jogos (NEUMANN; MORGENSTERN, 1947), trata da resolução de forma racional de conflitos de interesses por jogadores de uma situação modelada como um jogo. Sendo um perfil de estratégia estável, o equilíbrio significa que considerando que os demais jogadores não irão modificar suas próprias estratégias, o jogador corrente não possui qualquer incentivo para modificar a sua. A teoria dos jogos procura encontrar estratégias racionais em situações em que o resultado depende não só da própria estratégia do jogador, mas também das estratégias escolhidas por outros jogadores que possivelmente possuem estratégias diferentes. A resolução desse tipo de conflito com uma abordagem cooperativa em grupos aleatórios e heterogêneos pode resultar em uma negociação em que não se chegue a um acordo quando os membros do grupo possuem interesses próprios como ocorre em (BEKKERMAN; KRAUS; RICCI, 2006; GARCIA et al., 2011). A modelagem da estratégia de recomendação para grupos como um jogo não-cooperativo da teoria dos jogos pode atender à necessidade de um equilíbrio entre satisfazer as próprias preferências do jogador, isto é, do membro do grupo e evitar a insatisfação dos demais membros do grupo através da justiça na recomendação para o grupo. Apesar dos usuários possuirem interesses próprios, sempre haverá ao menos um equilíbrio de Nash, ou seja, o sistema sempre poderá realizar uma recomendação para o grupo. Na questão relacionada à formação dos grupos, fase anterior à recomendação, os trabalhos relacionados não apresentam uma preocupação com o bem-estar social total do grupo formado ou a utilização de uma função de utilidade para determinar o melhor grupo a ser.

(23) 1.2 Objetivos. 6. formado; é apenas considerado alguma função de similaridade entre os membros do grupo. Desta forma, as hipóteses levantadas nesta dissertação são: • os itens a serem recomendados podem ser modelados como ações de um jogo não-. cooperativo e a recomendação como um problema de encontrar o equilíbrio de Nash, onde o conjunto de itens é selecionado de forma racional.. • a formação dos grupos pode ser modelada como um problema de geração de estruturas de aliança em um jogo cooperativo de forma a maximizar o bem-estar social total (Social Welfare).. 1.2. Objetivos. O objetivo desta dissertação é mostrar que estratégias de agregação que se encontram em equilíbrio de Nash em um jogo não-cooperativo é bem apropriado para solução do problema de se gerar recomendações para grupos de usuários. Outro objetivo é mostrar que a escolha de uma estrutura de aliança ótima realizada através de uma função de utilidade que maximiza o bem-estar social total (Social Welfare) é bem apropriado para a formação de grupos em sistemas de recomendação para grupos. Para alcançar os objetivos principais, alguns objetivos específicos devem ser atendidos, a saber: 1. Propor uma formalização para o problema de recomendação para grupos; segundo a ótica da Teoria dos Jogos Não Cooperativos. 2. Propor uma formalização para o problema da formação de grupos em um contexto de recomendação. 3. Desenvolver uma aplicação Web de recomendação de filmes para grupos de usuários segundo a abordagem proposta, para mostrar a aplicabilidade..

(24) 1.3 Organização da Dissertação. 1.3. 7. Organização da Dissertação. O restante do documento está organizado da seguinte maneira: • O capítulo 2 apresenta o estado-da-arte em sistemas de recomendação para grupos; • O capítulo 3 revisa a Teoria de Jogos cooperativos e não-cooperativos; • O capítulo 4 apresenta a formalização do problema de recomendação para grupos como uma abordagem da teoria de jogos não cooperativos, assim como apresenta os. experimentos realizados para a abordagem e seus resultados são discutidos. Neste capítulo ainda é apresentado o aplicativo desenvolvido como aplicabilidade da abordagem proposta nesta dissertação; • O capítulo 5 apresenta a formalização do problema de criação de grupos baseada na formação de estruturas de alianças da teoria dos jogos cooperativos. Um experimento foi realizado e seus resultados discutidos neste capítulo; • Por fim, o capítulo 6 apresenta as conclusões da dissertação, suas limitações e trabalhos futuros..

(25) Capítulo 2 Sistema de Recomendação para Grupos Sistemas de Recomendação para grupo geram recomendações com o objetivo de satisfazer um grupo de usuários com interesses potencialmente conflitantes. Em diversos domínios e situações, a recomendação para grupos se adequa melhor do que a recomendação para indivíduos, entre os com mais destaque estão: filme (O’CONNOR et al., 2002), turismo (JAMESON, 2004; MCCARTHY et al., 2006b; GARCIA et al., 2009), música (MCCARTHY; ANAGNOST, 1998; CROSSEN; BUDZIK; HAMMOND, 2002; SPRAGUE; WU; TORY, 2008; POPESCU; PU, 2011; CHAO; BALTHROP; FORREST, 2005), programas de televisão (MASTHOFF, 2004; YU et al., 2006; SENOT et al., 2010), restaurante (MCCARTHY et al., 2006b; VERNERO, 2011), páginas da Web (LIEBERMAN, 1999; SMYTH et al., 2005), avisos em um espaço público (PIZZUTILO et al., 2005), museu (KAY; NIU, 2005) e comunidades online (KIM et al., 2010). Soluções baseadas em grupo também se tornarão essenciais a medida que os computadores migram dos desktop para o dia-a-dia das pessoas na forma de ambientes inteligentes e aplicações de computação ubíqua. Por enquanto a maioria das pesquisas nestas duas áreas enfatiza a preferência de um único indivíduo, porém para muitos ambientes será importante satisfazer múltiplos indivíduos localizados em um mesmo espaço. Sem um meio inteligente de conciliar preferências individuais, estas tecnologias estarão provavelmente seguindo o caminho do walkman (personalizado, porém um serviço antissocial) ou alguma solução impessoal e que considera o menor denominador comum (CHAO; BALTHROP; FORREST, 2005).. 8.

(26) 2.1 Definições de Grupos. 2.1. 9. Definições de Grupos. Em Sociologia, um grupo é um sistema de relações sociais, de interações recorrentes entre pessoas (GALLIANO, 1981). Também pode ser definido como uma coleção de várias pessoas que compartilham certas características, interajam uns com os outros, aceitem direitos e obrigações como sócios do grupo e compartilhem uma identidade comum - para haver um grupo social, é preciso que os indivíduos se percebam de alguma forma afiliados ao grupo. Neste trabalho utiliza-se o conceito geral de que grupo é um conjunto de duas ou mais pessoas reunidas por alguma particularidade, seja o mesmo local, uma mesma necessidade ou um mesmo interesse. Não necessariamente os membros do grupo precisam ter todas essas particularidades simultaneamente. Para sistemas de recomendação para grupos, quatro definições diferentes de grupos podem ser consideradas (BORATTO et al., 2009; BORATTO; CARTA, 2011): • Grupo estabelecido: um número de pessoas que explicitamente escolheram ser parte de um grupo, devido a algum interesse de longo prazo compartilhado;. • Grupo ocasional: um número de pessoas que fazem alguma coisa ocasionalmente juntos. Os seus membros têm um objetivo comum em um momento particular;. • Grupo aleatório: um número de pessoas que compartilham um mesmo ambiente em um momento particular, sem interesse explícito que as una.. • Grupo identificado automaticamente: grupos que são automaticamente detectados considerando as preferências dos usuários e/ou recursos disponíveis.. No sistema PolyLens (O’CONNOR et al., 2002), os autores definem os grupos apenas como permanentes e provisórios e utilizam mais características dos grupos: se o grupo é público e acessível a todos, ou privado e conhecido apenas pelos membros do grupo. Os autores perceberam que a persistência dos grupos é uma problemática relacionada tanto aos padrões de uso dos grupos pelos usuários quanto à privacidade. A privacidade torna-se crítica, por exemplo, no momento do envio de um convite para o usuário fazer parte do.

(27) 10. 2.2 Exemplos de Sistemas de Recomendação para Grupos. grupo e na exibição da previsão de preferência do usuário na recomendação para o grupo utilizada na explicação da recomendação do sistema. Esta dissertação foca seu trabalho em grupos aleatórios que possuem a característica de não conhecerem os demais integrantes do grupo, e realizarem uma atividade em um mesmo ambiente em dado momento particular, sem interesse explícito que as una, de forma que a qualquer momento o grupo pode ser desfeito.. 2.2. Exemplos de Sistemas de Recomendação para Grupos. Diversos sistemas desenvolvidos são encontrados na literatura de recomendação para grupos. A Tabela 2.1 apresenta os principais e três características relacionadas a estes: Tabela 2.1: Exemplos de Sistemas de Recomendação para Grupos. Título. Domínio. MusicFX (MCCARTHY; ANAGNOST, 1998). música. Let’s Browser (LIEBERMAN, 1999). páginas web. GroupCast (MCCARTHY; COSTA; LIONGOSARI, 2001). notícias. PolyLens (O’CONNOR et al., 2002). filmes. Pocket Restaurant Finder (MCCARTHY, 2002). restaurante. Intrigue (ARDISSONO et al., 2003). turismo. Travel Decision Forum (JAMESON, 2004). turismo. Adaptive Radio (CHAO; BALTHROP; FORREST, 2005). estações de rádio. I-SPY’s (SMYTH et al., 2005). páginas web. In-Vehicle Multimedia (ZHIWEN; XINGSHE; DAQING, 2005). multimídia. YU’s TV Recommender (YU et al., 2006). programas de televisão. CATS (MCCARTHY et al., 2006a). turismo. GroupFun (POPESCU, 2011). música. GroupMender (LAGE; DURAO; DOLOG, 2012). notícias.

(28) 2.3 Classificações. 2.3. 11. Classificações. Masthoff (MASTHOFF, 2011) classifica os sistema de recomendação para grupos segundo algumas dimensões: • Preferências individuais são conhecidas ou desenvolvida com o tempo: na maioria. dos cenários, o sistema de recomendação para grupos inicia com as preferências individuais. Porém, no CATS (MCCARTHY et al., 2006a), as preferências individuais são. construídas com o passar do tempo com a utilização de uma abordagem baseada em críticas. • Itens recomendados são experimentados pelo grupo ou apresentados como opção: os membros do grupo podem experimentar uma música, como no MusicFX (MC-. CARTHY; ANAGNOST, 1998) ou receber uma lista de recomendação de filmes, como no PolyLens (O’CONNOR et al., 2002), que os membros do grupo podem desejar assistir. • O grupo é ativo ou passivo: na maioria dos cenários, o grupo não influencia na maneira. que as preferências individuais são agregadas. Porém, no Travel Decision Forum (JAMESON, 2004) e CATS (MCCARTHY et al., 2006a) o grupo pode negociar o modelo. do grupo. • Recomenda-se um único item ou uma sequência: na maioria dos cenários, pode-se. recomendar apenas um único item como no caso de filmes, visto que pessoas normalmente assistem a apenas um filme por noite. Porém, também é possível a recomendação de um conjunto de itens para serem utilizados em sequência, como no caso de programas de televisão.. Segundo (CAMPOS et al., 2008), mais duas dimensões podem ser adicionadas à classificação: • Como as previsões de preferência individuais são obtidas: destingue-se principalmente entre filtragem colaborativa e baseada em conteúdo..

(29) 2.4 Problemáticas. 12. • Se são agregadas as recomendações ou perfis: no primeiro, as recomendações são. produzidas para indivíduos e depois agregadas na recomendação para o grupo. No segundo caso, as preferências individuais são agregadas no modelo do grupo, e este modelo é usado para produzir a recomendação do grupo.. Com base nestas classificações, o trabalho apresentado nesta dissertação utiliza as preferências individuais já conhecidas, sendo adotado um grupo passivo que não influencia como as preferências individuais são agregadas. As previsões de preferência individuais são obtidas a partir de um algoritmo de filtragem colaborativa e os itens recomendados são apresentados como uma lista de opções ao grupo.. 2.4. Problemáticas. A mudança de foco de um indivíduo para um grupo faz mais diferença do que se pode perceber à primeira vista. Muitas problemáticas relacionadas à recomendação para grupos são discutidas como: normalização, linearidade, misery, ordem, solidariedade e justiça (MASTHOFF, 2004). Em (JAMESON, 2004; JAMESON; SMYTH, 2007), discute-se as problemáticas mais importantes que surgem em sistema de recomendação para grupos, organizando-as em termos de quatro subtarefas: elicitação de informações de preferências do usuário, geração de recomendação, explicação da recomendação e suporte à tomada de decisão final pelos usuários. As mesmas são apresentadas abaixo.. 2.4.1. Elicitação de informações de preferências do usuário. A maioria dos métodos de elicitação de preferência dos usuários utilizados em recomendação para indivíduo também podem ser utilizados para recomendação para grupos. As preferências do usuário podem ser obtidas de forma direta, conhecida como avaliação explícita, ou de forma indireta, inferindo as preferências através das ações ou feedback do usuário, conhecida como avaliação implícita. A avaliação implícita é menos comum, porém pode ser.

(30) 2.4 Problemáticas. 13. encontrada nos trabalhos de (SENOT et al., 2010; LAGE; DURAO; DOLOG, 2012). No primeiro trabalho, o autor infere as preferências dos usuários baseado no tempo que cada indivíduo gasta assistindo a um filme, por exemplo. Quanto mais uma pessoa assiste a um filme, mais o autor assume que ele está interessado no mesmo. No segundo trabalho, o autor infere as preferências dos usuários através das postagens deste usuário em uma rede de microblogging. Uma das importâncias desta tarefa em recomendação para grupos, é que cada membro pode ter algum interesse em conhecer as preferências dos outros membros para, entre outras coisas, persuadir um usuário a realizar uma avaliação similar à dele. Algumas vezes, não desejando que sua preferência seja minoritária, a preferência do usuário corrente depende em parte da preferência e/ou antecipação do comportamento de um ou mais outros membros do grupo. Alternativamente, um membro pode desejar conhecer a preferência dos outros membros para simplesmente procurar minimizar conflitos que poderiam tornar difícil para o grupo encontrar uma solução. No Travel Decision Forum (JAMESON, 2004), o membro corrente pode copiar toda ou parte das preferências de um outro membro para evitar esforço ou realizar a aquisição de um conhecimento que o membro corrente não possui (JAMESON, 2004). É possível ainda realizar uma cópia automática das preferências de outro usuário do sistema que seja similar ao novo usuário de um sistema de recomendação para grupos e assim tentar enfrentar o problema que um novo usuário tem quando ainda possui poucas avaliações realizadas, e o sistema não consegue gerar uma previsão de preferência para este (QUIJANO-SáNCHEZ et al., 2012). O trabalho apresentado nesta dissertação utiliza as preferências positivas para elicitação do interesse do usuário. Enquanto a maioria dos trabalhos utilizam preferências positivas, isto é, o usuário avalia itens que ele gosta, o Adaptive Radio (CHAO; BALTHROP; FORREST, 2005) utiliza preferências negativas, ou seja, o usuário informa que não tem interesse em determinado item e que este não deve ser considerado em uma recomendação. Os autores defendem que adotar preferências negativas torna menos entediante a avaliação dos itens para o usuário, visto que o sistema assume que o usuário gosta de todos os itens disponíveis, a menos que o usuário avalie negativamente o item. O autor ainda afirma que sistemas de preferência negativa podem aumentar a influência dos membros do grupo que possuem opiniões minoritárias. Em.

(31) 2.4 Problemáticas. 14. (CHAO; BALTHROP; FORREST, 2005), a abordagem de preferências negativas pode reduzir o processo de conformação que suprime as opiniões minoritárias exigindo que o grupo alcance um consenso, o que pode aliviar a necessidade da minoria ter de aceitar a opinião da maioria, e permite tornar o processo de tomada de decisão anônimo, isto por sua vez, reduz a pressão social exercida pela maioria.. 2.4.2. Geração de recomendação. A geração de recomendação é a tarefa mais estudada pelos pesquisadores em recomendação para grupos, visto que para gerar uma recomendação, alguma estratégia de agregação precisa ser utilizada e a escolha de qual estratégia se utilizar não é uma tarefa trivial. As informações sobre as preferências individuais devem ser combinadas de uma forma que o sistema possa verificar a adequação de itens particulares para o grupo como um todo. Apesar das várias abordagens de agregação diferirem na maneira de manipular e representar as preferências dos usuários, praticamente todas fazem uso de um dos três esquemas: (i) agregação de recomendações individuais, (ii) construção de modelo único de preferência do grupo e (iii) agregação das avaliações/preferências para itens particulares.. 2.4.2.1. Agregação de recomendações individuais. A agregação de recomendações individuais é um método simples de agregação que a partir da geração de uma lista com um pequeno número de recomendações para cada membro, mescla estas listas em uma única lista. Apesar de ser a estratégia menos adotada em recomendação para grupos, ela é uma das estratégias utilizadas no Polylens (O’CONNOR et al., 2002), no Intrigue (ARDISSONO et al., 2003) com subgrupos de pesos diferentes, em (AMER-YAHIA et al., 2009) com uma função de consenso que combina a relevância dos itens para o usuário e o desacordo entre os membros. Ela também é a estratégia analisada em (BALTRUNAS; MAKCINSKAS; RICCI, 2010) com o uso de rank aggregation, que produz um único ranking de itens a partir de diferentes ranking de itens. Esta estratégia agrada a maioria dos membros do grupo, porém pode não satisfazer a todos. Para este fim, deve ser adotado uma técnica auxiliar, por exemplo, a eliminação dos itens de acordo com sua.

(32) 2.4 Problemáticas. 15. relevância individual para cada membro do grupo (KIM et al., 2010). Uma metodologia de negociação cooperativa para a solução do problema é apresentada em (BEKKERMAN; KRAUS; RICCI, 2006). Cada usuário é representado por um agente negociador, todos com o mesmo comportamento. Uma vez que as recomendações individuais são obtidas, o processo de negociação se inicia, onde dentro de uma negociação o agente pode aceitar ou recusar uma oferta.. 2.4.2.2. Construção de modelo de preferência do grupo. Esta estratégia de agregação de construção de um modelo único de preferência do grupo não utiliza a predição da avaliação de usuários, mas apenas utiliza as informações de preferência individual dos membros do grupo para alcançar um modelo de preferências para o grupo como um todo. O modelo do grupo é utilizado para a previsão da avaliação dos itens cadidatos a recomendação para o grupo. Em alguns casos, o modelo de preferência do grupo pode ser visualizado como uma agregação dos modelos de preferências individuais, como no caso do Let’s Browser (LIEBERMAN, 1999), IN-VEHICLE Multimedia(ZHIWEN; XINGSHE; DAQING, 2005) e YU’s TV Recommender (YU et al., 2006). Em outros casos, o modelo de preferência de grupo pode ser representado como uma agregação de modelos de preferência de subgrupos, como ocorre no sistema Intrigue (ARDISSONO et al., 2003), que foi projetado para auxiliar guias turísticos na criação de roteiros turísticos para grupos heterogêneos que incluem subgrupos relativamente homogêneos (ex. crianças e idosos). Outros sistemas que utilizam essa estratégia são o I-SPY’s (SMYTH et al., 2005) e Travel Decision Forum (JAMESON, 2004). Construir um modelo de preferência para o grupo tem uma vantagem quando os membros do grupo terão a oportunidade de examinar e/ou negociar sobre esse modelo antes ou depois que ele tenha sido verdadeiramente aplicado. Outra vantagem de um modelo de preferência para o grupo é o potencial benefício sobre a privacidade. Criar e armazenar perfis individuais de usuários podem tipicamente levantar preocupações sobre a privacidade dos membros do grupo (JAMESON, 2004). Um exemplo sobre preocupação sobre a privacidade é um usuário que não deseja que os membros do grupo saibam sobre o interesse dele por filmes adultos..

(33) 2.4 Problemáticas. 16. A representação da preferência do grupo antes da recomendação, com uma abordagem de vizinhança aumenta a chance de realizar descobertas valiosas de itens para recomendação. Entretanto, estes algoritmos podem produzir recomendações que satisfazem muitos, mas não todos, os membros de um grupo, o que pode não corresponder a função de valor social utilizada. E ainda, a predição do grupo pode estar fora do alcance de qualquer predição individual para os membros do grupo, o que pode ser desorientante para os usuários ou tornar difícil a explicação da recomendação (JAMESON, 2004). Enquanto a maioria dos trabalhos utiliza a avaliação ou preferência dos itens como um todo, YU’s Recommender mescla as preferências individuais dos usuários para as características de um programa de televisão (por exemplo, gênero, ator, e palavras-chave) e não avaliações individuais para estes programas. Em sistemas que utilizam a preferência negativa para encontrar as preferências do grupo, é possível considerar a união das preferências negativas dos indivíduos. Este conjunto de preferências combinadas filtrará os itens que não agradam qualquer membro do grupo. A solução restante é chamada de solução de consenso, pois esses items foram aprovados implicitamente por todos. Apesar deste ser formalmente equivalente a encontrar a intersecção das preferências positivas do mesmo grupo, essa abordagem pode ser mais efetiva na prática (CHAO; BALTHROP; FORREST, 2005). Devido ao conhecimento das preferências, positiva ou negativa, do usuário ser tipicamente incompleto ou incerto, um esquema de preferência individual positivo é provável de subestimar o número de soluções que um usuário toleraria, enquanto o esquema negativo superestimaria este valor. Devido a intersecção das preferências de múltiplos usuários ser difícil de encontrar, se eles existerem de fato (problema encontrado no GroupCast (MCCARTHY; COSTA; LIONGOSARI, 2001)), (CHAO; BALTHROP; FORREST, 2005) acredita ser prefererível errar na superestimação do que na subestimação do espaço de soluções aceitáveis..

(34) 2.4 Problemáticas 2.4.2.3. 17. Agregação das avaliações/preferências para itens particulares. Pode utilizar a predição da avaliação de itens ainda não avaliados ou a avaliação explícita dos itens. Esta estratégia é a mais utilizada e os seus diversos métodos encontrados na literatura serão apresentados mais adiante na seção 2.5. Este tipo de estratégia tem diversas vantagens. Elas apresentam resultados que podem ser diretamente relacionados aos resultados que seriam percebidos por membros individuais do grupo. Isto significa que os resultados são relativamente fáceis de explicar. Entretanto, as recomendações são menos propensas a identificar itens inesperados para os membros do grupo. A maior diferença entre as estratégias é a ênfase colocada na satisfação dos indivíduos, particularmente evitar misery, comparada a satisfação da maioria do grupo. Alguns trabalhos vem realizando uma análise da interação entre os membros do grupo considerando a correlação entre eles (LIN; CHIU; CHEN, 2011; BERKOVSKY; FREYNE, 2010). O objetivo é prever um peso para cada membro para ser utilizado, juntamente com as avaliações individuais, na geração da recomendação para o grupo. Alguns trabalhos buscam analisar fatores sociais como relações de confiança (trust) como fator no modelo de predição para o grupo buscando encontrar a influência dos seus membro (WANG; LIU; ZHAO, 2012) e considerando a relação entre vários usuários no grupo. O autor procura otimizar a função de agregação de acordo com as diferentes influências dos membros do grupo, que ele afirma que pode melhor refletir suas características sociais. Outra autora (QUIJANO-SáNCHEZ; Recio Garcia; DÍAZ-AGUDO, 2010), também analisa a influência social no grupo a partir da personalidade dos seus membros que podem ser mais ou menos cooperativos com relação ao conflito para escolha dos itens a serem recomendados. Em outro trabalho da mesma autora (QUIJANO-SáNCHEZ et al., 2011), ela apresenta uma abordagem em que usuários mais influentes desejam criar alianças com outros usuários. Estas alianças objetivam reunir um peso maior aos itens de preferência desses usuários mais influentes para que estes itens sejam recomendados para o grupo. Outras estratégias são propostas utilizando votação e probabilidade (POPESCU; PU, 2011; SPRAGUE; WU; TORY, 2008). Enquanto no primeiro, o voto do membro do grupo.

(35) 2.4 Problemáticas. 18. em uma música aumenta a probabilidade dela ser escolhida para recomendação, no segundo trabalho, cada membro do grupo terá escolhido ao menos uma música para ser recomendada.. 2.4.3. Explicação da recomendação. O objetivo da explicação não é necessariamente convencer os membros do grupo a aceitarem as recomendações do sistema. Pelo contrário, as explicações do sistema são geralmente melhor vistas como informações que colocam os membros do grupo em uma posição melhor para tomar uma decisão final, que pode até desviar radicalmente da recomendação feita. É natural que membros do grupo desejem entender até certo ponto, como a recomendação foi realizada e em particular, o quão atrativo um item recomendado parece ser a cada membro do grupo. Com sistemas de recomendação para grupos, é possível em princípio apresentar esta análise para cada membro, para o grupo como um todo, e talvez para subconjuntos de membros. No Polylens, explora-se três modelos de organização das informações disponibilizadas para explicação das recomendações: uma interface somente do grupo, uma interface composta, e uma interface focada no individual. Na interface somente do grupo, os itens são exibidos com a recomendação para o grupo. Estas interfaces evitam revelar as informações de preferência de outros membros do grupo, o que acaba evitando que os membros do grupo realizem o balanceamento com os interesses de outros membros para a seleção de itens. Interfaces compostas exibem uma lista de filmes recomendados tanto com a previsão para o grupo quanto para membros individuais. A depender da política de privacidade do sistema, membros particulares do grupo podem ser omitidos da listagem. Estas interfaces permitem que membros do grupo façam o balanceamento da estimação do bem-estar previsto para o grupo com a satisfação prevista para cada membro do grupo. Um trabalho recente de recomendação para grupos para elicitação de requisitos de software obteve melhores resultados de satisfação dos usuários ao não exibir as preferências individuais durante o início do processo de tomada de decisão pelo grupo (FELFERNIG et al., 2012). Intefaces focadas no individual exibem itens baseadas nas preferências individuais do usuário. Elas podem até inteiramente omitir a recomendação para o grupo, sendo que tal.

(36) 2.4 Problemáticas. 19. recomendação pode tanto ser exibida ou usada para filtrar os filmes sendo exibidos. O Polylens implementa a interface composto para a exibição das recomendações com o interesse de oferecer o máximo de informações enquanto tenta minimizar a carga de informação para os usuários. Neste trabalho, não utilizou-se a explicação da recomendação para o grupo, deixando como trabalho futuro a implementação dessa explicação.. 2.4.4. Suporte à tomada de decisão final pelos usuários. Se o recomendador para grupos é projetado a partir do pressuposto que há alguns aspectos do problema de decisão que são melhores de tratar pelos próprios usuários, a função do sistema serve de suporte à decisão ao invés de tomada de decisão. No suporte à decisão é assumido que os membros do grupo chegarão a uma decisão final através de discussão convencional como ocorre no sistema Collaborative Advisory Travel System (CATS) (MCCARTHY et al., 2006a) ou um membro do grupo é responsável por tomar a decisão final como ocorre nos sistemas Let’s Browser (LIEBERMAN, 1999) e Intrigue (ARDISSONO et al., 2003). Na tomada de decisão, o sistema simplesmente traduz a solução com a maior avaliação em ação, sem requisitar o consentimento de nenhum membro do grupo. O Adaptive Radio (CHAO; BALTHROP; FORREST, 2005), Flytrap (CROSSEN; BUDZIK; HAMMOND, 2002) e MusicFX (MCCARTHY; ANAGNOST, 1998) realizam a tomada de decisão pelo grupo, visto que não é praticável haver uma discussão para cada recomendação de música para o grupo. Esta é a tarefa que menos tem atraído atenção de pesquisas, pois os sistemas geralmente deixam o próprio grupo chegar em um consenso sobre o item que será consumido a partir da lista de recomendação. Esta também é a decisão neste trabalho: atribuir aos membros do grupo a tomada de decisão final..

(37) 2.5 Estratégias de Agregação de Preferências Individuais. 2.5. 20. Estratégias de Agregação de Preferências Individuais. Como comentado anteriormente neste capítulo, a necessidade de escolha de um método de agregação é a diferença mais estudada entre recomendação para grupos e recomendação para indivíduos. Masthoff (MASTHOFF, 2004) concentra seus estudos nas estratégias de agregação de preferência individual baseadas na Social Choice Theory (ARROW, 1963; SEN, 1995; PENNOCK; HORVITZ; GILES, 2000). A problemática relacionada a social choice ou group decision making é decidir o que é melhor para um grupo dado a opinião dos membros desse grupo. As estratégias contempladas nos trabalhos de Masthoff (MASTHOFF, 2004, 2011) e diversos outros na literatura são: • Average: assume uma importância igual para todos os membros do grupo e computa. a média da satisfação de todo o grupo para qualquer item dado. Pode assumir também diferentes pesos para os membros do grupo, como utilizado no Intrigue (ARDISSONO. et al., 2003). O YU’s Recommender (YU et al., 2006) também utiliza esta estratégia com algumas modificações. A desvantagem desta estratégia é que enquanto em grandes grupos um membro pode sempre perder, por que sua opinião pode ser minoritária, em grupos pequenos pode não ocorrer isso, pois a opinião de cada indivíduo terá um maior impacto na média. • Least Misery: assume a avaliação do membro menos satisfeito com um item dado. como o valor da satisfação para todo o grupo. O Polylens (O’CONNOR et al., 2002) utiliza esta estratégia de agregação. A desvantagem dessa estratégia é que um item em que todos os membros estão pouco satisfeito pode ser recomendado no lugar de um item que apenas um usuário está muito insatisfeito e os demais muito satisfeitos. Podendo ocorrer a misery para todo o grupo na recomendação. A vantagem é que um item que um membro do grupo esteja muito insatisfeito não será recomendado para os demais podendo aumentar a confiança (trust) do sistema.. • Most Pleasure: assume a avaliação do membro mais satisfeito com um item dado.

(38) 2.5 Estratégias de Agregação de Preferências Individuais. 21. como o valor da satisfação para todo o grupo. A desvantagem dessa estratégia é que qualquer avaliação de um membro menos satisfeito com este item não terá nenhum efeito na recomendação. A vantagem é que um item muito bem avaliado, por ao menos um membro do grupo, pode ser recomendado e aumentar a descoberta de itens (serendipity) para o restante do grupo. • Utilitarian Multiplicative: os valores das avaliações dos membros para um dado item. são multiplicados e quanto maior esse valor, mais relevante o item será na lista de recomendação para o grupo. Possui a mesma desvantagem da estratégia Average. Esta estratégia apesar de pouco utilizada na literatura, teve bons resultados em uma pesquisa sobre a racionalidade das estratégias utilizadas por usuários reais para recomendação de uma sequência de itens para o grupo (MASTHOFF, 2004).. • Average Without Misery: gera uma nova lista de avaliações com as médias das avalia-. ções individuais dos membros do grupo para um dado item, porém retira os itens que possuam qualquer avaliação de preferência abaixo de um valor mínimo. O MusicFX (MCCARTHY; ANAGNOST, 1998) utiliza esta estratégia de agregação.. • Plurality Voting: cada membro do grupo vota no item com maior preferência indivi-. dual. Apesar da vantagem dessa estratégia ser que ela satisfaz a maioria do grupo, porém ela eventualmente deixa a minoria totalmente insatisfeita.. • Borda count: a cada item na lista ordenada dos membros do grupo é atribuída uma. pontuação que corresponde a sua posição na lista: a alternativa no final da lista recebe zero pontos, e a próxima acima um ponto, e assim por diante.. • Fairness: itens de maior preferência para cada um dos membros do grupo são sele-. cionados. Quando itens são avaliados igualmente, a opinião dos outros são levadas em consideração. A idéia por trás desta estratégia é que não é tão ruim assistir algo que você detesta, considerando que você também assista algo que você adore. Esta estratégia frequentemente é aplicada quando pessoas tentam dividir de forma justa um conjunto de itens: uma pessoa escolhe o primeiro, outra o segundo e assim por diante até todos terem feito uma escolha. Depois, todo mundo escolhe um segundo item,.

(39) 2.5 Estratégias de Agregação de Preferências Individuais. 22. geralmente iniciando da pessoa que teve que escolher por último na rodada anterior. E continua até todos os itens terem sido usados. • Dictatorship ou Most respected person: a idéia desta estratégia é que grupos podem. ser dominados por uma pessoa. Por exemplo, visitantes podem ter mais influência na decisão do que os habitantes da casa. Esta estratégia é utilizada com mais frequência com a técnica de filtragem colaborativa com o nome de “estratégia de vizinhança mais próxima”: somente as preferências dos indivíduos com gosto mais próximos ao interessado pela recomendação são usados. Um uso mais sofisticado da diferença do estado social seria atribuir pesos a avaliações individuais. Esta estratégia também tem sido usada em filtragem colaborativa no sistema Intrigue (ARDISSONO et al., 2003) com base no uso da estratégia Average com pesos.. • Copeland Rule: esta é uma forma de voto pela maioria. Seu objetivo é ordenar as. alternativas de acordo com o índice de Copeland: o número de vezes que uma alternativa supera outras alternativas menos o número de vezes que ela perde para outras alternativas.. • Approval Voting: eleitores são permitidos votar para quantas alternativas desejarem.. A intenção é promover a eleição de alternativas moderadas: alternativas que não são fortemente rejeitadas.. De acordo com (SENOT et al., 2011), essas estratégias podem ser divididas em três categorias (ver Tabela 2.2): (i) estratégias baseadas em consenso que consideram as preferências de todos os membros do grupo; (ii) estratégias baseada em maioria que utilizam os itens mais populares entre os membros do grupo; (iii) estratégias borderline que consideram somente um subconjunto de itens, em perfis individuais, baseados nas regras de usuários ou qualquer outro critério relevante. Entre as estratégias nesta categoria estão a estratégia Dictatorship que usa somente a preferência de um único membro, que impõe seu gosto para o resto do grupo. As estratégias Least Misery e Most Pleasure mantêm para cada preferência, respectivamente, o menor e o maior nível de interesse entre os membros do grupo..

(40) 23. 2.5 Estratégias de Agregação de Preferências Individuais Tabela 2.2: Categorias das estratégias de agregação individual [Senot et al., 2011] Consenso. Maioria. Borderline. average, average without. plurality voting, appro-. least. misery,. val voting, Copeland rule,. pleasure, dictatorship. multiplicative,. fairness. 2.5.1. misery,. most. borda count. Exemplo ilustrativo das estratégias de agregação. Sendo a Tabela 2.3 preenchida com as avaliações/preferências individuais de cada um dos membros do grupo, a Tabela 2.4 utiliza essas avaliações/preferências para exemplificar as estratégias de agregação. Tabela 2.3: Preferências individuais. A. B C D. E. F. G H. I. J. Peter. 10. 4. 3. 6. 10. 9. 6. 8. 10. 8. Jane. 1. 9. 8. 9. 7. 9. 6. 9. 3. 8. Mary 10. 5. 2. 7. 9. 8. 5. 6. 7. 6.