Sistemas de Recomendação e de Conteúdo
Sistemas de recomendação sugerem itens que provavelmente interessarão a um usuário, fornecendo acesso personalizado à informação que complementa a busca orientada por consultas.
Definition
Um sistema de recomendação prevê a preferência de um usuário por itens e apresenta um conjunto classificado de sugestões, utilizando evidências como o conteúdo do item, o comportamento passado do usuário e o comportamento de outros usuários, para apoiar o acesso personalizado à informação sem exigir uma consulta explícita.
Scope
Esta área abrange sistemas que recomendam proativamente itens aos usuários: recomendação baseada em conteúdo que associa itens a perfis de usuário, filtragem colaborativa que explora padrões entre usuários e itens, métodos híbridos e sensíveis ao contexto que combinam sinais e se adaptam à situação, e a avaliação de recomendações. Trata a recomendação como um ramo do acesso à informação orientado à personalização, intimamente relacionado à recuperação, compartilhando representações e ideias de avaliação, ao mesmo tempo em que aborda o problema distinto de sugerir itens sem uma consulta explícita.
Sub-topics
Core questions
- Como as preferências do usuário são inferidas a partir de classificações explícitas e comportamento implícito?
- Como a recomendação baseada em conteúdo difere da filtragem colaborativa?
- Como os métodos colaborativos exploram padrões entre muitos usuários e itens?
- Como os sinais de conteúdo, comportamentais e contextuais são combinados?
- Como a qualidade da recomendação é medida além da precisão preditiva?
Key concepts
- perfis de usuário e item
- feedback explícito e implícito
- recomendação baseada em conteúdo
- filtragem colaborativa
- fatoração de matriz / fatores latentes
- problema do cold-start
- recomendação sensível ao contexto
- classificação e diversidade de recomendações
Key theories
- Baseado em conteúdo versus filtragem colaborativa
- Métodos baseados em conteúdo recomendam itens semelhantes aos que um usuário gostou usando características do item, enquanto a filtragem colaborativa recomenda itens que usuários semelhantes gostaram usando a matriz de interação usuário-item, cada um com forças e fraquezas complementares.
- Fatoração de matriz e modelos de fatores latentes
- A filtragem colaborativa pode ser vista como a fatoração da matriz esparsa de classificação usuário-item em fatores de usuário e item de baixa dimensão, cujos produtos escalares preveem preferências, uma técnica central para a recomendação moderna.
Clinical relevance
Os sistemas de recomendação são centrais para o comércio eletrônico, mídia de streaming, notícias, plataformas sociais e publicidade online, moldando grande parte do que os usuários encontram online. Eles compartilham representações, classificação e métodos de avaliação com a recuperação, e preocupações como diversidade, justiça e bolhas de filtro tornam seu design consequente.
History
Os sistemas de recomendação surgiram em meados da década de 1990 com os primeiros sistemas de filtragem colaborativa, como o GroupLens. A competição Netflix Prize (2006-2009) impulsionou grandes avanços nos métodos de fatoração de matrizes, e o campo amadureceu para uma ampla disciplina que abrange abordagens baseadas em conteúdo, colaborativas, híbridas e sensíveis ao contexto, consolidadas em manuais e livros didáticos abrangentes.
Key figures
- Joseph Konstan
- John Riedl
- Gediminas Adomavicius
- Charu Aggarwal
- Francesco Ricci
Related topics
Seminal works
- ricci2015
- adomavicius2005
- ekstrand2011
Frequently asked questions
- Como a recomendação difere da busca?
- A busca responde a uma consulta explícita que expressa uma necessidade imediata, enquanto a recomendação sugere proativamente itens com base nas preferências e contexto inferidos de um usuário, muitas vezes sem qualquer consulta. Eles compartilham representações e mecanismos de classificação, mas resolvem problemas de acesso à informação diferentes.
- O que é o problema do cold-start?
- O cold-start é a dificuldade de recomendar para novos usuários ou novos itens com pouca ou nenhuma história de interação. Sem classificações ou comportamento para aprender, os métodos colaborativos enfrentam dificuldades, razão pela qual recursos baseados em conteúdo e abordagens híbridas são frequentemente usados para preencher essa lacuna.