MLM CAP06 2025 VA02 SISTEMAS DE RECOMENDACAO ABORDAGENS

Quais são os algoritmos de construção
de sistema de recomendação?

Assim como todo
modelo de machine learning.

Quando temos que fazer,
por exemplo,

uma classificação de algo.

Nós temos diversos algoritmos
para adaptar e avaliar

qual melhor se adequa
aquele problema.

Aqui em sistema de recomendação
é a mesma coisa.

Nós temos diversos algoritmos
que podem ser aplicados

para estudar estratégias distintas
de achar relações

entre produtos e serviços
e usuários

e o que pode ter melhor aderência
nessa recomendação.

Vamos conhecer os principais.

Os métodos mais comuns
são baseados em filtragem.

Filtragem item por item,
uma filtragem colaborativa,

uma filtragem por conteúdo.

Vamos conhecer as duas últimas
que são bem famosas.

Na filtragem colaborativa,
nós estamos utilizando dados

de dois ou mais usuários para tentar
achar uma relação entre eles.

Esses dados podem ser hábitos
de preferência ou então,

por exemplo,
perfis de consumo que são similares.

Ou então,
características sócio demográficas

qualquer feature que pode ser utilizado
para caracterizar um indivíduo.

E nós vamos analisar essas features
para verificar usuários

que são parecidos,
por exemplo,

até aplicar aqui um KNN
para descobrir quem são os vizinhos

mais próximo determinado usuário.

Nessa abordagem,
nós sabemos qual usuário

é parecido com quais outros.

Então, digamos que temos o usuário "A",
usuário "B",

que, por exemplo,
por questões de históricos passados,

eles compram produtos similares

e a pessoa comprou um produto
ou interagiu com um produto

que a pessoa "B"
ainda não viu.

Portanto,
como eles são parecidos,

é uma boa ideia recomendar
esse produto que "A" interagiu

para a pessoa "B'.

Vamos ter certeza
que esse método funciona?

Não,
mas é algo para ser abordado.

Então, a ideia de trabalhar
com sistema de recomendação

é sempre sugerir algo
que pode agradar o usuário.

A nossa força de recomendação,
digamos assim,

está baseado nesse perfil
semelhante entre pessoas.

Outra forma de filtragem
é filtragem por conteúdo.

Onde a pessoa está interagindo
com o produto

e nós sabemos que existem
outros produtos similares a esse.

Então, nós podemos recomendar
para a mesma pessoa produtos similares

aqueles que ela já interagiu
ou comprou.

Entre essas duas análise,
não há uma melhor ou pior.

Existem prós e contras
de cada uma delas.

Por exemplo,
na filtragem colaborativa

nós podemos ter conhecimento
nenhum dos dados.

O que interessa é conhecer
quem são as pessoas.

Já na abordagem por conteúdo,

é imprescindível ter informações
sobre os produtos

e nós podemos dispensar
conhecimento sobre os usuários.

Pensando no e-commerce,
por exemplo.

Talvez a filtragem por conteúdo

pode ser mais fácil de ser implementada,

porque uma loja na teoria
sabe o que ela vende.

Então,
se ela sabe o que ela vende,

ela sabe descrever que produtos
ela tem no seu catálogo.

Então,
achar produtos similares

pode ser mais fácil
para gerar uma recomendação.

No entanto, depender apenas
de filtragem baseada em conteúdo

pode levar a recomendações meio chatas,
sem nenhuma novidade.

Por exemplo,

a pessoa sempre interage
com filmes de ação,

então é mais natural recomendar
filme de ação para ela também.

Mas, será que não tem
nenhuma comédia

ou outro tipo de filme
que pode ser interessante para ela,

que foge um pouco do que era óbvio,
nessa recomendação?

Se eu fico baseado apenas nesse
algoritmo de filtragem por conteúdo,

eu fico refém de recomendações
muito similares.

Por outro lado,

ser baseado apenas
em filtragem por colaboração

pode ser algo não tão fáceis
de ser implementado.

Porque isso depende do usuário
dar informação sobre ele mesmo.

E mesmo que os usuários concedam
informações sobre eles mesmos,

também não há nenhuma garantia

que nós vamos encontrar
perfis similares naquela mesma loja.

Talvez em uma loja grande,
e-commerce grande

onde a quantidade de usuários
seja bem volumosa.

A maior tendência a achar padrões,
perfis usuários parecidos.

Mas em comércios menores,
isso aqui pode não ser real.

Nos nossos exemplos,
nós tradicionalmente

usamos muito a ideia
de um e-commerce,

mas o sistema de recomendação
também pode ser empregado

em lojas físicas.

Um exemplo disso
é o supermercado.

O caso mais famoso é um caso do Walmart,
que identificou, por meio de compras

históricas, que fraldas e cervejas
deveriam ser colocadas próximo.

Porque quando o pai acaba, saem o pai
ou a mãe acaba saindo do trabalho

numa sexta feira a noite já passa
no mercado para levar fralda para casa.

Acha interessante levar uma cerveja também
para passar o final de semana?

Esse tipo de análise é chamada de análise

e quando você dá uma olhada
no senso de compra daquele usuário.

Outra coisa importante
que deriva desse tipo de análise

são as regras de associação

ou seja, aquela verificar quais produtos
estão mais associados entre si.

É basicamente pegar o histórico
de cada carrinho de compra

ou cada cesta de compra
e verificar para cada usuário

quais são o conjunto de produtos
que são comprados em conjunto.

Será que há alguma relação entre eles?

Na maior parte das vezes.

Assim, por exemplo,
comprar macarrão e molho de tomate.

Mas também essa compra em conjunto
pode não fazer muito sentido.

Essa falta de sentido

deriva de comprar produtos
que não têm muita relação entre eles.

Portanto,
para fazer uma boa regra de associação,

é importante ter um histórico
bem grande de transações para verificar

o que de fato faz sentido
e ter uma relação próxima

e real entre uma compra em conjunto
e não seja algo muito particular

de uma compra ou de um período do ano.

Também não podemos deixar de falar de
popularidade, ou seja, por isso populares

que todo mundo compra, todo mundo consome.

Também é uma forma de você recomendar
produtos

para usuários que você
tem pouco conhecimento sobre ele.

É claro que não podemos deixar de falar
das abordagens híbridas,

que é quando combinamos
dois ou mais algoritmos no mesmo sistema.

Basicamente, o motor de recomendação
fica muito mais sofisticado

porque ele está apoiado em diversas
estratégias.

Pode ser uma estratégia
baseada em popularidade

ou então uma regra de sucessão
ou uma filtragem colaborativa.

Quando esse usuário é parecido com outros,
ou então uma abordagem por conteúdo.

Quando nós olhamos
para produtos similares a ele

ou similares ao que ele já consumiu
para fazer novas recomendações.

Como em todo projeto de ciência de dados,
é muito importante

fazer um pré processamento dos dados
antes.

Essa modelagem, ou seja, limpar,
tirar da duplicado,

entender um pouco mais
o dado para prepará lo para modelagem.

Por outro lado, o pós processamento
também é muito relevante.

Não é porque o sistema
encontrou uma relação entre um produto

e um usuário que nós temos de fato
que ligar aquela regra, digamos assim.

Nós temos que recomendar
aquele produto para aquela pessoa.

Imagine o seguinte caso a pessoa
está interagindo com produtos aqui

de uma faculdade
para comprar uma pós graduação e aí,

uma vez alinhado no que é oferecido
informação sobre ela, existe uma série de

pós que podem ser recomendadas
para aquela pessoa.

Ela acabou de comprar um
uma pós específica,

fazer uma especialização,
por exemplo, e indicações

faz sentido como um outra porta.

Essa pessoa logo na sequência,

talvez não, porque ela acabou de adquirir
aquele produto muito parecido.

E essa limpeza do porta içamento
deve ser feita sempre à luz do negócio.

Ou seja, o que eu quero maximizar
com esse produto de recomendação?

Eu quero aumentar a venda.

Eu quero aumentar o engajamento.

Qual são as condições de contorno
que me ajudam a eliminar recomendações que

podem não ser válidas?