O documento discute sistemas de recomendação, incluindo: 1) Sistemas de recomendação usam algoritmos e análise de dados para fazer recomendações personalizadas aos usuários com base em seus perfis e preferências. 2) A filtragem colaborativa recomenda itens com base nas preferências de usuários similares, enquanto a filtragem baseada em conteúdo analisa os atributos dos itens já consumidos pelo usuário. 3) Sistemas híbridos combinam diferentes abordagens para obter melhores resultados,

1. SISTEMAS DE
RECOMENDAÇÃO
RecSys

2. Charlie Brow Jr.
”Um homem quando esta em paz
Não quer guerra com ninguém”

3. O QUE É UM SISTEMA DE RECOMENDAÇÃO
Um sistema de recomendação, ou mecanismo de
recomendação, é uma ferramenta que utiliza uma
série de algoritmos, análise de dados e até mesmo
inteligência artificial (IA) para realizar recomendações
on-line. Essas recomendações podem ser
personalizadas para cada usuário ou não,
dependendo do objetivo de cada plataforma, da
quantidade de dados obtidos e até mesmo do tipo
de tecnologia utilizada.

4. EXPERIÊNCIA DO USUÁRIO
Quando o foco é a personalização da experiência do usuário, o
sistema utiliza dados referentes ao perfil e à navegação desse
usuário – como cliques, avaliações, e buscas – para recomendar
itens que tenham maior relevância para ele.

5. “Acima de tudo, um sistema de recomendação coleta informação
e, com isso, facilita o processo de tomada de decisão ao mostrar
e recomendar uma seleção de itens. O item pode ser um produto,
uma forma de conteúdo ou até mesmo uma pessoa – no caso de
sites de relacionamento ou na sugestão de amigos em uma rede
social”

6. 3
ELEMENTOS
Essa informação
coletada diz respeito
a três elementos
 Aos itens que serão recomendados
 Ao usuário que será impactado por
essas recomendações
 E a outros usuários que já
interagiram com a plataforma

7. OS DADOS
referentes aos
usuários podem ser
de dois tipos
explícitos ou
implícitos
Explícitos: consistem em informação
concedida pelos usuários, geralmente
diante de alguma pergunta ou solicitação,
como comentários e avaliações.
Implícitos: são produzidos de forma
espontânea pelos usuários e têm a ver
com o comportamento dele durante a
navegação, como cliques que faz, buscas,
tempo de permanência em alguma página
etc

8. Onde os sistemas
de recomendação
estão presente?

9. ORIGEM NOS ANOS 90
O termo sistema de
recomendação pode até parecer
novidade, mas surgiu nos
anos 1990. Os seus primeiros
estudos tiveram origem em
diversas áreas, como ciências
cognitivas, teoria de
aproximação, recuperação da
informação, teoria de previsões,
administração e marketing, e
surgiram da dificuldade das
pessoas em encontrar e escolher
itens diante da imensa
quantidade de informações
(big data) disponíveis na
internet.
Dessa forma, além de
solucionar um problema, o
sistema de recomendação
surgiu como uma
oportunidade de negócio,
aproveitando essa grande
quantidade de dados e
informações para gerar
lucro de forma atrativa

10. STREAMING, REDES SOCIAIS, E-COMMERCE, APPS
Algumas das empresas acimas já são considerados unicornios
gMail, ifood, rappi, uber
eats,
Instagram, Twiter, Tinder,
Meta (facebook)
Netflix, Disney, HBO,
Prime Video

11. SKILLS
SOURCE CODE
Recomendado
conhecimentos básicos
sobre logica de
programação
PROGRAMAÇÃO
Linguagem que
permitam trabalhar com
inteligência artificial ou
bibliotecas
LINGUAGENS
Studio R, Python, C/C++,
Java, Lisp, Prolog,

12. US
ou melhor, facilitar a
vida das pessoas?
Os sistemas de
recomendação vieram
para mudar o mundo?
THEM

13. MACHINE
LEARNING
Sistemas de recomendação
com Machine Learning

14. É usado nos sistemas de recomendação
mais avançados e permite que o sistema se
adapte rapidamente às escolhas e pesquisas
dos usuários porque aprende as mudanças e
consegue se adaptar.

15. Esse sistema consegue distinguir os usuários que estão realmente
procurando por um item específico daqueles que estão apenas navegando
pelo site. Essa distinção é importante para o sistema descartar os dados
desse usuário que está navegando aleatoriamente pelos itens de uma loja
por exemplo e usar somente os dados daqueles que buscam por uma
categoria específica. Dessa forma as recomendações seguem um objetivo
e não são aleatórias.

16. E usando o YouTube apenas pelos conteúdo recomendados
você realmente fica à mercê do algoritmo de recomendação
que vai mostrar os conteúdos que mais geraram engajamento,
têm mais comentários, likes e dislikes, entre outros. Conteúdos
extremistas geralmente apresentam vários desses aspectos
engajadores e são recomendados com frequência. Precisamos
pensar em maneiras de mudar a forma como a recomendação
acontece para conteúdos sensíveis e definir critérios para
saber quais conteúdos são sensíveis e quais não são e podem
ser livremente recomendados.

17. 01 Uma estratégia de
recomendação mais
sofisticada seria utilizar
modelos de machine
learning

18. Machine Learning
Sistemas de Recomendação
Ferramentas para identificar padrões,
especialmente padrões que nós, seres
humanos, temos dificuldade em perceber
para criar variáveis que descrevem os
usuários e os filmes a partir dos padrões de
uso.

19. O que vamos fazer hoje, cérebro?
GENDER
40%
60%
AVERAGE SPEND PER CUSTOMER
$50.00
AGE
20 - 35
É importante ressaltar que tais variáveis são variáveis latentes, ou seja, variáveis criadas pelo
computador e, não necessariamente, interpretáveis por seres humanos

20. MATRIX FACTORIZATION
40% 60% 80% 75%
MERCURY SATURN MARS JUPITER
Mercúrio é o
planeta mais
próximo do
Sol
É composto
de hidrogênio
e hélio
Apesar de ser
vermelho,
Marte é um
lugar frio
É o maior
objeto do
Sistema Solar

21. Uma vez conseguindo descrever o perfil dos usuários e dos filmes
com base nestas variáveis latentes, o modelo consegue, para um
dado usuário, estimar como seria a interação dele com filmes que
ainda não assistiu. E, com essa estimativa de interação, sugerir os
filmes que o usuário avaliaria melhor, logo, os filmes que o usuário
mais gostaria

22. MATRIX FACTORIZATION
JUPITER MERCURY VENUS MARS
Além disso, o modelo também nos dá insumos para
afirmar com mais convicção que usuários ou filmes são
similares. Esta técnica de recomendação é conhecida
por fatoração de matrizes

23. MATRIX FACTORIZATION
Nesta abordagem, em que aprendemos as
preferências do usuário através dos padrões de
uso, as recomendações são menos assertivas no
começo, mas quanto mais informações de uso,
mais relevantes serão as recomendações.

24. MATRIX FACTORIZATION
Nesta abordagem, em que aprendemos as
preferências do usuário através dos padrões de
uso, as recomendações são menos assertivas no
começo, mas quanto mais informações de uso,
mais relevantes serão as recomendações.

25. Presente no dia a dia
Não é incomum que uma série de anúncios filtrados
tomem conta da sua tela após a busca de um
produto na Internet ou ao criar uma rede social,
surgem diversas sugestões de amizade de pessoas
que você, de fato, conhece. Sem esquecer daquela
música especial que foi recomendada pelo Youtube

26. BIG DATA
Tais sistemas utilizam amplamente o conceito de
“big data”, o maciço de informações geradas por
todos os seus usuários. Essas informações são então
estudadas para encontrar padrões de
comportamento entre as ações antigas de um
usuário e assim fornecer recomendações para novas
compras, notícias, etc.

27. BIG DATA -> SISTEMAS DE RECOMENDAÇÃO -> MACHINE LEARNING
Sabendo disso, todos esses sistemas de recomendação podem ser
formalizados usando uma simples pergunta
“Para um dado grupo de clientes e suas ações, quais são os produtos
que forneceriam a melhor utilidade para cada cliente neste grupo?”

28. MOTIVAÇÃO
Uma motivação forte e suficiente para o uso desses sistemas
são os ganhos reais, tanto financeiramente, pois com o melhor
desempenho da plataforma as vendas aumentam, quanto
socialmente, facilitando a vida dos consumidores na busca por
produtos desejados.

29. Um sistema de recomendação é uma aplicação de
aprendizado de máquina (do inglês machine learning)
para negócios que, por meio de modelagem de dados
e aplicação de algoritmos, tentam prever a nota (rating)
ou preferência de um usuário a um determinado item.
Assim, tais sistemas são classificados de acordo com o
tipo de algoritmo usado, são eles os principais:
Filtragem colaborativa, filtragem baseada em conteúdo
e sistemas híbridos.

30. ALGORITMOS
Filtragem colaborativa e filtragem baseada em conteúdo

31. ALGORITMOS
Filtragem colaborativa foca na interação entre o usuário e
conteúdo, recomendando itens que usuários semelhantes
compraram ou interagiram. Dessa forma, a partir dos itens
comprados ou interagidos pelo usuário A, o sistema busca
por usuários semelhantes que tiveram um comportamento
igual ou similar e seleciona itens que o usuário A ainda não
interagiu

32. ALGORITMOS
Por conseguinte, recomenda itens com a maior nota entre
os usuários semelhantes (note que esse tipo de algoritmo
segue a abordagem “quem comprou X também comprou
Y”). No entanto, uma das suas desvantagens é que
algoritmos de filtragem colaborativa exige uma quantidade
considerável de dados e feedback dos usuários para gerar
recomendação.

33. ALGORITMOS
Filtragem baseada em conteúdo gera as
recomendações com base na similaridade do
conteúdo já consumido pelo usuário, seu
processo consiste em cruzar os atributos do
perfil do usuário (interesses e preferências) com
os atributos dos itens, para recomendar ao
usuário novos itens.

34. Ou seja, o usuário é colocado numa bolha de preferência,
onde tudo que é recomendado é semelhante ao que já foi
consumido, o que pode ser uma desvantagem, uma vez
que a longo prazo, essa bolha de preferência pode levar ao
desinteresse do usuário nas recomendações
ALGORITMOS

35. ALGORITMOS HIBRIDOS
Os sistemas híbridos são algoritmos que combinam filtragem colaborativa e filtragem
baseada em conteúdo. Eles podem ser combinados de diversas formas, sendo que,
aplicar os dois algoritmos e juntar seus resultados depois é o mais comum.
Geralmente, sistemas híbridos possuem um resultado melhor, uma vez que as
desvantagens dos tipos citados acima são amenizadas.

36. OUTROS ALGORITMOS
Além disso, existem outros algoritmos mais complexos que
necessitam de mais dados para gerar recomendações mais
personalizadas e específicas possíveis.

37. LGPD
De fato, sistemas de recomendação são extremamente valiosos no contexto atual, uma
vez que o consumo de mídias digitais, comércio eletrônico e outros setores que viram o
meio digital como alternativa cresceu exponencialmente nas últimas décadas. No
entanto, outras questões também são levantadas: o uso dos dados e a privacidade do
usuário.

38. SISTEMA DE RECOMENDAÇÃO DA META (FACEBOOK)
A precisão de algoritmos de recomendação depende de
uma grande quantidade de dados, que é gerada todo
dia, a todo instante. Um exemplo disso é o Facebook
(que possui sistemas de recomendação extremamente
robustos): estima-se que 4 petabytes de dados são
gerados por dia.

39. www.professorlima.com
THANKS!
(11) 9.5850-8384 Telegram