No contexto atual em que vivemos, estamos cada vez mais inseridos na web, seja consumindo informação ou produzindo-a. Essa realidade vem se consolidando com o surgimento recente de sites de mídia social como, por exemplo, o Facebook e o Twitter. Porém, o grande número de usuários de redes sociais vem gerando uma sobrecarga de informações causada pela produção constante de conteúdo online que acaba por restringir o funcionamento efetivo dos motores de busca tradicionais.
Pensando nessa problemática, os sistemas de recomendação foram projetados para resolver esse problema, por meio de sugestões personalizadas de conteúdo baseadas em filtragem colaborativa, técnica que utiliza o conteúdo agregado de usuários com perfis similares ao usuário alvo para gerar recomendações. Porém, muitas das técnicas de filtragem colaborativa dependem de uma etapa complexa e demorada de construção do modelo, o que pode ser um problema, visto que o modelo precisa ser reconstruído cada vez que novas informações são inseridas no sistema. Além disso, a maioria dos sistemas não utiliza informações contextuais do conteúdo, como, por exemplo, tempo e espaço.
Informações contextuais, se utilizadas de forma adequada, podem expressar melhor as necessidades de informação do usuário. Um exemplo disso seria o seguinte: um turista está visitando a cidade de Campina Grande (contexto geográfico) no período de junho (contexto tempo). Dessa forma, faria sentido recomendar páginas correspondentes a Campina Grande no período junino.
Inserida nesse contexto, a UFCG, em parceria com a HP Brasil, vem desenvolvendo um projeto chamado ReSET (Recomendações Sociais Espaço-Temporais) que pesquisa e desenvolve algoritmos eficientes para recomendações sensíveis ao contexto espaço-temporal. A pesquisa está sendo desenvolvida no Laboratório de Sistemas de Informação (LSI - UFCG).
O principal objetivo do ReSET é desenvolver algoritmos eficazes que gerem recomendações a partir de conteúdos arbitrários da web e técnicas robustas e eficientes de aprendizagem de máquina para a recomendação personalizada e sensível ao contexto de conteúdo online, para usuários de sites de mídia social, que utilizem o contexto espaço-temporal .
A ideia da pesquisa consiste em estender os métodos de recomendação existentes (não sensíveis ao contexto espaço-temporal) com dados geográficos e temporais. Dessa forma, os algoritmos propostos serão avaliados e comparados a algoritmos tradicionais de recomendação, como os algoritmos utilizados atualmente pelo HP Gloe e HP ePrint, que são baseados em modelos simples de filtragem colaborativa. Os algoritmos que se mostrarem mais eficientes serão selecionados, implementados, testados e implantados nas ferramentas HP Gloe e HP ePrint.
Os algoritmos serão modelados da seguinte forma: imagine que existe um usuário que está visitando o Rio de Janeiro em fevereiro de 2013, e não conhece nada na cidade. O que pode ser indicado como um bom local para esse turista? Digamos que conhecemos algumas relações de amizade desse usuário, admitindo que os seus amigos já visitaram o Rio de Janeiro e foram nos locais marcados na imagem abaixo (imagem 1).
Como dois de seus amigos visitaram o local l1, então haverá uma chance do usuário 1 visitar esse mesmo local e gostar (imagem 2). Então, baseado nessas informações coletadas dos amigos do usuário 1, o algoritmo recomendará esse local como o mais indicado para o usuário.
Mas, como é feita a identificação desses locais que devem ser recomendados? Ela é feita a partir das atividades do usuário, que são detectadas por fotos georeferenciadas e são coletadas de algum serviço web. Os pontos recomendáveis são obtidos por meio de algoritmos que procuram áreas em que a densidade de dados é maior (imagem 3) e as marcam como pontos de interesse (clusterização). Um exemplo de algoritmo que desempenha essa tarefa é o P-DBSCAN (algoritmo baseado na exploração e análise de áreas atrativas usando coleções de fotos georeferenciáveis).
Uma forma para aumentar a precisão nas recomendações, além da abordagem espacial, consiste em utilizar a extração de padrões temporais.
A equipe do ReSET é composta pelos professores Dr. Leandro Balby Marinho (Coordenador) e Dr. Carlos Eduardo Santos Pires (pesquisador), pelos mestrandos Iury Dewar e Caio Nóbrega e pelo graduando Jordão Ezequiel, todos da Unidade Acadêmica de Sistemas e Computação da UFCG.
O projeto ReSET mostra a sólida relação entre a DSC e as grandes empresas no segmento de pesquisa e desenvolvimento, proporcionando um forte intercâmbio de conhecimento entre o setor privado e a universidade. Para mais informações a respeito do ReSET, entre em contato com os professores Dr. Leandro Balby Marinho e Dr. Carlos Eduardo Santos Pires ou visite o site do LSI.
Grupo PET Computação UFCG, 2012. All rights reserved.
