Sistemas de recomendações com filtros colaborativos

Exemplo de uma recomendação feita pela Amazon baseada nos gostos de usuários similares.

O objetivo deste post

Este post, da série especial sobre Sistemas de Recomendação, trata do tipo de recomendação feita através do uso de filtros colaborativos. Estes filtros podem ser divididos de, pelo menos, duas formas: uma baseada nos gostos e preferências de usuários similares ao que está navegando na loja virtual, website, aplicativo da sua empresa; outra, baseada na similaridade entre os itens | produtos | serviços pesquisados pelo usuário.

O objetivo, aqui, é dar uma ideia inicial do que esse tipo de sistema de recomendação pode fazer pelo seu negócio, sem a pretensão de esgotar o tema.

Para começar, considere os seguintes cenários.

Cenário 1: Recomendações de produtos baseadas nos gostos de usuários similares

João, Michele, Marcelo e Juliana não se conhecem; eles nem moram na mesma cidade. Um deles, inclusive, mora em outro país. Mas, de acordo com o sistema de recomendação de uma plataforma de streaming que coleta notas dadas a filmes por seus usuários de vários cantos do mundo, essas quatro pessoas possuem gostos e preferências de filmes com alta similaridade. E como o sistema sabe disso? Os quatro usuários avaliaram, praticamente, todos os filmes que viram, em comum, com as mesmas notas (ou com notas muito parecidas).

Sendo assim, da próxima vez que João navegar no site, plataforma ou rede social desta empresa, o sistema dela apresentará algumas sugestões de filmes para ele assistir. Ele ainda não viu esses títulos, mas Michele, Marcelo e Juliana viram e adoraram.

Ou seja, este é um exemplo típico de um sistema de recomendação baseado nos gostos e preferências de usuários que parecem "almas gêmeas" uns dos outros.

Cenário 2: Recomendações de produtos baseadas em itens similares aos que o usuário gostou

Agora, a situação muda um pouco. João tem seus gostos e preferências pessoais e faz questão de avaliar os filmes que assiste. Acontece que, apesar dele já ter visto muitos títulos na plataforma de streaming, ainda tem muita coisa para ser vista. Sendo assim, quando ele acessar novamente aquela plataforma, receberá recomendações de filmes similares, em termos de avaliações, ao que ele já viu e adorou. 

Neste modelo, o sistema fará um cálculo de similaridade entre os filmes que João viu e os filmes que ele não viu e, dependendo de como foi construído, atribui uma nota provável que João daria para os filmes ainda não vistos. Os que receberem as maiores notas prováveis serão indicados a ele.

Um detalhe: diferente do modelo apresentado no post anterior, Sistemas de recomendação baseados em conteúdo, que usa as características dos itens|produtos para encontrar suas semelhanças, os modelos de recomendações que usam filtros colaborativos baseados em itens similares, geralmente calculam essa similaridade atribuindo, por exemplo, uma nota média global para eles, baseada nas avaliações que eles receberem de todos usuários que os assistiram (independente desses usuários serem ou não similares a João).

Em outras palavras, este é um exemplo típico de um sistema de recomendação baseado em produtos|filmes matematicamente similares ao que o usuário viu|usou e gostou.

Vantagens e desvantagens dos filtros colaborativos

Ambas estratégias de recomendação usando filtros colaborativos têm suas vantagens e desvantagens.

Vantagem em potencial: 

João será apresentado a filmes que ele nem cogitou assistir antes, seja porque outras pessoas com gostos similares aos seus já viram e gostaram, seja porque os títulos sugeridos são parecidos com outros que ele já viu antes e gostou muito. Ele pode aceitar a sugestão da plataforma, assistir o(s) filme(s) e até avaliá-lo(s) com nota altas (tal como estimado pelo modelo).

Desvantagem em potencial: 

No primeiro cenário, João tem gosto similar, mas não idêntico aos outros usuários. Pode ser que seus 'similares' tenham dado notas altas para, por exemplo, filmes de terror, gênero que João abomina. Ele não viu o filme antes, simplesmente, porque não gosta do tipo e rejeita a recomendação da plataforma.

No segundo cenário, apesar das semelhanças entre as notas serem um bom indicador, como o modelo de recomendação não usa as características do produtos para treinar seu sistema, as sugestões podem ser de títulos que João não tem interesse ou não avaliaria bem se as assistisse.

Conclusão

Se a empresa conseguir recomendar títulos relevantes e João assisti-los, ela sairá ganhando por conseguir mostrar ao usuário que as recomendações dela são boas para ele. O cliente | João ficará satisfeito e até interessado em ver as próximas sugestões de outros produtos | filmes.

Para minimizar as desvantagens dos modelos que usam filtros colaborativos, muitas empresas fazem uso de modelos híbridos, que combinam essa abordagem com modelos  de recomendação baseados em conteúdo e, até, com a estratégia de associação de produtos que são comprados juntos pelos clientes (tema do próximo post).

Próximo post

Seguindo a ordem da série especial sobre Sistemas de Recomendação, o post seguinte tratará dos modelos criados a partir da análise de cestas de compras e como eles podem beneficiar o seu negócio. 

Aguarde!