Contextualização
A geração de recomendações é uma tarefa extremamente importante para muitos sites hoje em dia. Plataformas como a Amazon, Netflix e Spotify fazem recomendações uma peça chave de seus negócios. Afinal, quando se tem uma plataforma que dispõe de milhares de produtos, vídeos e músicas, é importante que sejam oferecidas ferramentas para que usuários sejam capazes de encontrar aquilo que os agrade.
No entanto, implementar um sistema de recomendação não é algo trivial. É necessário que se leve em conta os contextos específicos de uma aplicação para que se use não só os algoritmos adequados, mas também os parâmetros adequados para se obter boas recomendações. Não é a toa, portanto, que empresas que dependem de sistemas de recomendação invistam tanto dinheiro e tempo nesse problema. A Netflix, por exemplo, ofereceu em 2009 um prêmio de U$ 1 milhão de dólares para quem conseguisse melhorar a qualidade de suas recomendações em apenas 10%
O objetivo deste trabalho é estudar algumas técnicas de recomendação e formas de avaliá-las. Para isso serão implementados alguns algoritmos de collaborative filtering e content based filtering, que serão então avaliados e comparados com as técnicas estudadas.
Plano de Trabalho
1) Estudo e revisão bibliográfica de sistemas recomendadores - como mencionado anteriormente, diferentes algoritmos terão que ser estudados e implementados
2) Escolha dos algoritmos de recomendação a serem implementados
3) Definição da base de dados a ser usada
4) Implementação dos algoritmos de collaborative filtering
5) Implementação dos algoritmos baseados em conteúdo
6) Estudo de como avaliar os algoritmos
7) Avaliação dos algoritmos implementados
8) Escrita da monografia
9) Preparação do pôster
10) Preparação da apresentação
Referências
RICCI F.; ROKACH L.; SHAPIRA B.; KANTOR P. B. Recommender Systems Handbook Springer, 2011
Jonathan L. Herlocker, Joseph A. Konstan, Al Borchers, and John Riedl. 1999. An algorithmic framework for performing collaborative filtering. In Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval (SIGIR '99). ACM, New York, NY, USA, 230-237. DOI=http://dx.doi.org/10.1145/312624.312682