21. Sistemas de recomendação

Sistemas de recomendação selecionam e ordenam itens para um usuário ou contexto. Aprendem com atributos e interações, mas o histórico observado depende do que foi exposto e da forma de apresentação. O capítulo explica métodos, métricas de ranking e cuidados para avaliar valor e efeitos do sistema.

Com dados compreendidos e governados, avançamos para preparação, modelagem analítica, aprendizado de máquina e processamento em escala. Os capítulos ligam fundamentos, algoritmos e aplicações. Este é o capítulo 21 de 24 da disciplina Engenharia e Análise de Dados. Ele retoma Visão computacional, CNN e detecção de objetos e utiliza essa base para avançar. Na sequência, estudaremos Conceitos e arquitetura de Big Data.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use Sistemas de recomendação para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

Conteúdo e filtragem colaborativa

Começamos por Conteúdo e filtragem colaborativa, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

Métodos por conteúdo comparam atributos dos itens com um perfil ou contexto do usuário. Podem utilizar tema, categoria, descrição ou representações aprendidas. Metadados pobres limitam relevância e diversidade; recomendar apenas itens muito semelhantes ao histórico também pode restringir descoberta. A qualidade da representação precisa ser avaliada na tarefa.

Filtragem colaborativa usa padrões de interação entre usuários e itens, por vizinhanças ou fatores latentes, entre outras técnicas. Não exige necessariamente descrições detalhadas dos itens, mas depende de evidência de interação e enfrenta esparsidade. Métodos híbridos combinam fontes de sinal. Escolher abordagem requer considerar cobertura, atualização, escala e disponibilidade de atributos e histórico.

Feedback e cold start

Depois de compreender Conteúdo e filtragem colaborativa, passamos a Feedback e cold start. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

Feedback explícito inclui avaliações fornecidas diretamente; implícito inclui cliques, compras e tempo de consumo. Ausência de interação não significa rejeição explícita: o usuário pode nunca ter visto o item. Posição e exposição influenciam o sinal, portanto tratar todos os não clicados como negativos equivalentes pode introduzir viés. Ponderação e desenho de avaliação devem considerar esse processo.

Cold start ocorre quando faltam interações para novo usuário ou item. Conteúdo, regras iniciais, onboarding e exploração controlada podem ajudar. Um item novo pode ter descrição rica mesmo sem cliques; um usuário novo pode indicar preferências. Essas estratégias têm custos e limites e devem evitar solicitar dados desnecessários apenas para completar o perfil.