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 àquele 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, 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 sociodemográficas,

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 próximos de determinado usuário.

Nessa abordagem,
nós sabemos qual usuário

é parecido com quais outros.

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

que, por exemplo,
por questões de históricos passados,

eles compram produtos similares.

E a pessoa "A" 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 por conteúdo.

Onde a pessoa está interagindo
com o produto

e nós sabemos que existem
outros produtos similares a esse.

Então,

podemos recomendar para a mesma
pessoa produtos similares

àqueles que ela já interagiu
ou comprou.

Entre essas duas análises,
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 quuais 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 fácil
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 de 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 próximos.

Porque quando o pai ou a mãe
acaba saindo do trabalho

em uma sexta feira à noite,

já passam 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 Basket Analysis.

É quando você dá uma olhada
no cesto de compra daquele usuário.

Outra coisa importante
que deriva desse tipo de análise

são as regras de associação,
ou seja,

quero 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 os produtos
que são comprados em conjunto?

Será que há alguma relação entre eles?

Na maior parte das vezes, sim.

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.

É 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,
produtos 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.

E 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

aos similares aos que a gente
já consumiu

para fazer novas recomendações.

Como em todo projeto
de ciência de dados,

é muito importante fazer
um pré-processamento dos dados

antes da sua modelagem, ou seja,
limpar, tirar do duplicado,

entender um pouco mais o dado
para prepará-lo para a 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.

Que nós temos que recomendar
aquele produto para aquela pessoa.

Imagine o seguinte caso:

a pessoa está interagindo
com produtos de uma faculdade

para comprar uma pós-graduação.

E aí, uma vez baseado no que ela
ofereceu de informação sobre ela,

existe uma série de pós
que podem ser recomendadas

para aquela pessoa.

Ela acabou de comprar
uma pós específica,

fazer uma especialização,
por exemplo,

em Data Science.

Faz sentido recomendar outra pós
para essa pessoa logo na sequência?

Talvez não.

Porque ela acabou de adquirir
aquele produto muito parecido.

E essa limpeza do pós-processamento

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?

Quais são as condições de contorno
que me ajudam a eliminar

recomendações que podem
não ser válidas?