O que é sistema de recomendação?
Um sistema de recomendação é um programa de computador que ajuda um usuário a descobrir produtos e conteúdos, prevendo a classificação de cada item pelo usuário e mostrando-lhes os itens que eles classificariam com mais frequência. Os sistemas de recomendação estão em toda parte. Se você já procurou livros na Amazon ou navegou por postagens no Facebook, usou o sistema de recomendação sem saber. Com as compras online, os consumidores têm escolhas quase infinitas. Ninguém tem tempo suficiente para experimentar todos os produtos à venda. Os sistemas de recomendação desempenham um papel importante para ajudar os usuários a encontrar produtos e conteúdos com os quais se importam.
Nos bastidores, esses sistemas são alimentados por uma função de recomendação. Uma função de recomendação recebe informações sobre o usuário e prevê a classificação que o usuário daria ao produto. Se você puder prever a classificação do usuário para um produto antes que o usuário veja o produto, isso é muito poderoso.
Isso significa que você pode mostrar ao usuário apenas as coisas que ele mais deseja e não perder tempo com produtos com os quais não se importará.
Vamos imaginar que você está navegando por um E-Book para comprar no seu E-Reader. A livraria on-line sabe sobre suas compras de livros anteriores e as classificações que você deu a elas. Com base nessa informação histórica, ele tenta prever como você classificará cada produto em sua biblioteca. Usando essas classificações previstas, a livraria mostrará os livros que você acha que mais aproveitará. Esses também são os livros que você mais provavelmente comprará. Os sistemas de recomendação aprimoram a experiência do usuário, ao mesmo tempo em que fornecem mais exposição a uma parte maior.
O que se pode fazer com o sistema de recomendação?
Os sistemas de recomendação possuem vários usos diferentes. O uso mais comum de um sistema de recomendação é classificar os produtos por quanto um usuário gostaria deles. Se um usuário estiver navegando ou procurando produtos, nós queremos mostrar a eles os produtos que eles mais gostariam primeiro na lista.
Os sistemas de recomendação também podem ser usados para descobrir como produtos diferentes são semelhantes entre si. Se os produtos são muito semelhantes entre si, eles podem atrair os mesmos usuários.
Quando o usuário clica em um produto, podemos usá-lo para fornecer ao usuário links para outros produtos muito semelhantes.
A similaridade de produto é especialmente útil em casos em que ainda não sabemos muito sobre um determinado usuário. Podemos recomendar produtos semelhantes, mesmo que o usuário ainda não tenha inserido suas avaliações de produtos. Também podemos usar sistemas de recomendação para descobrir se dois usuários diferentes são semelhantes entre si. Se dois usuários tiverem preferências semelhantes para produtos, podemos assumir que eles têm interesses semelhantes. Por exemplo, uma rede social pode usar essa informação para sugerir que os dois usuários se tornem amigos.
Uso incrível de sistemas de recomendação:
Você provavelmente já viu sistemas de recomendação em ação em sites de comércio eletrônico. Quando você compra algo na Amazon, na próxima vez que visitar, verá os produtos recomendados com base na sua compra. Isto é alimentado por um sistema de recomendação. Mas essa é apenas a ponta do iceberg. Sites de mídia social como o Facebook e o Instagram dependem muito de sistemas de recomendação. Esses sites usam sistemas de recomendação para decidir qual postagem exibir em sua linha do tempo e quais novos amigos recomendar para você.
A Netflix usa um sistema de recomendação para decidir quais filmes e programas de TV apresentar a você. Eles são famosos por seus sistemas de pesquisa e recomendação. Em 2006, eles começaram o prêmio Netflix, que foi um concurso para a primeira equipe que pode melhorar a precisão da recomendação em 10% ganharia um milhão de dólares. Três anos depois, o desafio foi concluído e o prêmio foi concedido.
Sistemas de recomendação também aparecem em todos os tipos de outros produtos. Os aplicativos de namoro on-line usam sistemas de recomendação para decidir quais usuários mostrar uns aos outros. Bancos e empresas de investimento usam sistemas de recomendação para combinar diferentes contas e serviços para os usuários. As companhias de seguros fazem o mesmo.
Nós agora à frente veremos as diferentes metodologias usadas por trás das Recomendações:
Maioritariamente 2 tipos de metodologia de filtragem são usados
1. Sistemas de recomendação baseados em conteúdo : eles recomendam com base nos atributos do produto.
Os sistemas de recomendação baseados em conteúdo são sistemas de recomendação que usam seu conhecimento de cada produto para recomendar novos produtos.
Digamos que você diga a um amigo que acabou de assistir ao filme Iron Man, estrelado por Robert Downey Jr., e que realmente gostou. Seu amigo pode recomendar que você assista o filme Avengers next. Ambos os filmes são filmes de ficção científica e ambos os filmes apresentam a mesma estrela de cinema. Pode ser uma boa recomendação, porque os filmes têm muitos atributos em comum. Essa é a ideia por trás dos sistemas de recomendação baseados em conteúdo. Eles tentam recomendar produtos com atributos semelhantes a um produto que o usuário já gostou.
2. Filtragem colaborativa : eles recomendam com base em usuários semelhantes
Os sistemas de filtragem colaborativa fazem recomendações apenas com base em como os usuários classificaram os produtos no passado, não com base em nada sobre os produtos em si.
Na filtragem colaborativa, o sistema de recomendação não tem conhecimento do produto real que está recomendando. Só sabe como outros usuários classificaram o produto.
Ele usa essas classificações passadas para fazer novas recomendações.
A filtragem colaborativa tem uma grande vantagem sobre as recomendações baseadas em conteúdo.
A vantagem é que você nem precisa saber nada sobre os produtos que está recomendando. Contanto que você tenha dados de revisão do usuário, você pode criar um sistema de recomendação de filtragem colaborativa. Mas a filtragem colaborativa tem algumas limitações.
Isso só funciona quando você já tem resenhas de usuários para trabalhar. Se você não tiver comentários, não poderá fazer recomendações. Isso significa que é difícil recomendar produtos para novos usuários, pois os novos usuários ainda não revisaram nenhum produto. Por fim, a filtragem colaborativa tende a favorecer produtos com muitas avaliações sobre produtos com poucas ou muito poucas revisões. Isso pode dificultar que os usuários descubram novos lançamentos, já que provavelmente não serão recomendados com frequência.