Proposta de um Sistema de Recomendação Georeferenciada Baseado em Filtragem Colaborativa Walter Fernando G. Rodriguez 1, Emaús da S. de Moraes¹, Antônio Jhoseph S. de Araújo 1, Elton S. da Silva 1, Rogério C. dos Santos 1, Marcílio Douglas S. Marques 1, Zenaide Carvalho da Silva 1, Leila Weitzel Coelho da Silva 2. 1 Universidade Federal do Pará (UFPA) Marabá PA Brasil 2 Universidade Federal do Rio Grande do Sul (UFRGS) Porto Alegre RS Brasil wfernando.grodriguez, j.garibald, rogerintel, marciliodsm {@gmail.com} es_moraes,eltonsantossilva{@hotmail.com}, zenaide@ufpa.br, lwcsilva@inf.ufrgs.br Abstract. Following the new trend of development which focuses on Web 3.0, based on the integration of content with a social recommendation, this paper presents a proposal for a recommendation system based on georeferenced collaborative filtering technique in a context that integrates the social and cultural reality of the Maraba city in southeastern Pará. This project aims to model a solution to facilitate the location and recommendation of items supported the participation of users and may have a significant influence on their choice and its potential use. So, will be presents an overview of the systems recommendation and initiation of studies in collaborative filtering, indicating the technologies used in the modeling process and discuss a possible implementation in the real level of academic research focused on recommendation systems. Resumo. Seguindo a nova tendência de desenvolvimento que foca a Web 3.0, baseado na integração de conteúdos com recomendação social, este artigo apresenta a proposta de um sistema de recomendação georeferenciado baseado na técnica de filtragem colaborativa em um contexto que integre a realidade social e cultural da cidade de Marabá no sudeste do Pará. Este projeto tem como propósito modelar uma solução que facilite a localização e recomendação de itens apoiados na participação dos usuários, podendo influenciar de forma relevante em sua escolha e em seu potencial aproveitamento. Assim, será apresentada, também, uma visão geral sobre os sistemas de recomendação e uma iniciação nos estudos da filtragem colaborativa, indicando as tecnologias utilizadas no processo de modelagem e discutindo uma possível implementação real no nível de pesquisa acadêmica com foco no recommendation systems. 1. Introdução Acompanhando o crescimento de sistemas de localização web como, Foursquare serviço que ativa a indicação de locais por meio de mensagens rápidas a partir de dispositivos moveis -, Google Maps sistema de georeferenciação onde são criados e alterados marcadores pelos próprios usuários - e Kekanto base de dados de serviços avaliados e recomendados pelos usuários - entre outras, que vem provendo informações
sobre localização e recomendação social, além de troca de conhecimentos e interação, verificou-se um mercado em franco desenvolvimento que se fundamenta na integração de recursos e aplicações em tempo real. Baseado no contexto da web 3.0, propõe-se um sistema de recomendação georeferenciada que trate a filtragem e apresentação de informações relacionadas a locais, produtos e serviços combinando funcionalidades colaborativas, que atenda as necessidades dos usuários referente à localização espacial e recomendação, comentando suas experiências a fim de criar um fluxo de opiniões que classifiquem o conteúdo consultado ajudando e/ou influenciando na escolha de outros usuários. O objetivo (e principal atividade) constitui o desenvolvimento de uma proposta de modelagem de um sistema de recomendação baseado em usuários, integrando caracteristicas dos sistemas de informação geográficos junto a comportamentos das redes sociais, orientados aos segmentos de locais, produtos e serviços da cidade de Marabá no sudeste do Pará, evidenciando problemáticas e possíveis soluções emulando um ambiente real de desenvolvimento de uma pequena fabrica de software. Este estudo apresenta o conceito dos sistemas de recomendação e mostra uma proposta que os associa ao georeferenciamento. Na sessão 2 será exposto o eixo temático em torno dos Sistemas de Recomendação sua conceituação e problemáticas; A seguir, na sessão 3 - Desafios da filtragem colaborativa; Na sessão 4 Proposta do sistema e possíveis tecnologias a utilizar; Na sessão 5 Considerações finais e trabalhos futuros; Finalmente na sessão 6 Referencias bibliográficas. 2. Sistemas de Recomendação Não é difícil imaginar que a internet talvez seja na atualidade o maior veiculo aglutinador e facilitador de informação, onde indivíduos com pouca o nenhuma experiência sobre algum conteúdo deparam-se com a difícil tarefa de escolher a informação mais relevante de acordo com suas necessidades. Os sistemas de recomendação tentam aumentar a capacidade e eficácia no processo de apresentação, indicação ou direcionamento de conteúdo para os potenciais interessados. Quando no Tapestry, primeiro sistema de recomendação proposto [Goldberg et. al. 1992][Resnick e Varian 1997], a expressão filtragem colaborativa foi criada, pensou-se em um modelo onde a recomendação de conteúdo seja auxiliada pela colaboração de grupos humanos, como representado na figura 1. Assim, surgiu o desafio de casar corretamente os que recomendam com os que recebem a recomendação, verificando até que ponto este relacionamento de interesses é real, sobre tudo porque recomendações são baseadas intrinsecamente em interesses próprios. Autores como Montaner [Montaner et al. 2003], destacam a denominada filtragem demográfica onde são utilizadas descrições que caracterizam uma comunidade de indivíduos pelos seus interesses (explícitos e/ou implícitos) para aprender comportamentos em relação a um item em particular. Sistemas de comercio eletrônico na web focam na utilização de métodos de recomendação usando técnicas para identificar os produtos mais adequados para seus clientes com formulas do tipo: Clientes que compram itens X também compram itens Y e que permitam aumentar a lucratividade nos seus serviços.
3. Filtragem Colaborativa A filtragem colaborativa (FC) fundamenta-se no fato de que a recomendação mais precisa para uma pessoa pode ser feita por indivíduos que possuem preferências semelhantes à dele. Dessa forma, o que sistemas de FC faz é identificar o individuo alvo da recomendação e sugerir a este o que outros indivíduos, que possuem similaridade nas preferências, acham relevante. Este processo de sugestão esta amparado na similaridade das preferências do indivíduo e não dos itens a ser recomendados. O processo da filtragem colaborativa pode ser generalizado em três passos [Queiroz 03]: Representação dos dados de entrada: o usuário expressa suas preferências avaliando itens do sistema. As avaliações revelam o interesse do usuário em itens específicos e são armazenadas em seu perfil. Essas avaliações podem ser coletadas tanto a partir de indicações explícitas de preferência por parte do usuário quanto de maneira implícita como, por exemplo, um sistema de comércio eletrônico assume que o usuário gosta dos itens que comprou. Formação de vizinhança: para fazer a recomendação o sistema compara o perfil do usuário alvo com os perfis de outros usuários para fazer coincidir as preferencias do usuário com as do seu modelo. Além desse existem outros modelos como o probabilístico e até por redes neurais. Formalização da recomendação: finalmente, com base nas avaliações feitas pelos componentes da vizinhança aos itens de informação, o sistema gera a recomendação para o usuário alvo. Em outras palavras, o sistema sugere ao usuário alvo os itens que seus vizinhos mais gostaram. A tabela 1 ilustra um exemplo de como a filtragem colaborativa se dá. Ao se recomendar um produto à usuária Samara, busca-se outros usuários com hábitos de consumo semelhantes. No caso, os usuários Fernando e Jhoseph já compraram produtos que Samara também comprou (Prod2). Em seguida, recomendamos a Samara produtos que ela ainda não possui como Prod1 e Prod5.
Usuário Prod1 Prod2 Prod3 Prod4 Prod5 Fernando x x Jhoseph x x Emaús x x x Marcilio x x Samara x 4. Proposta do Sistema A partir da década de 90, tem-se um referencial teórico dos sistemas que tratam a recomendação georeferenciada para distintos segmentos de mercado, e como estudo de caso para a nossa pesquisa vislumbrou-se a oportunidade de criar uma proposta que integrasse o contexto da realidade do sudeste do Pará à enorme malha colaborativa da rede mundial. Assim, propõem-se a modelagem de um sistema de recomendação georeferenciado baseado na técnica de filtragem colaborativa. Na fase de projeto se fará uso da metodologia do Processo Unificado (PU) ágil, da Unified Modeling Language (UML) e o modelo de Entidade-Relacionamento (ER), que comporta cinco operações principais para dois tipos de usuários: busca de itens (locais, produtos e serviços); fazer login; adicionar itens não cadastrados na base de dados do sistema; recomendar itens à rede de contatos do usuário; comentar o conteúdo do resultado e avaliar os itens cadastrados no sistema (Figura 2). Em seguida na tabela 2, será apresentada a descrição de sequência de eventos que ocorrem de forma geral nas seis operações básicas da primeira iteração funcional do sistema.
Usuário Sistema 1. Acessa o Sistema 2. Mostra ao usuário uma interface para a realização de busca com o campo apropriado para que seja inserido o termo a ser pesquisado. Caso o usuário já seja cadastrado, este também poderá efetuar login no sistema nessa interface. 3. O usuário realiza login (caso seja cadastrado) para ter acesso às outras funcionalidades disponíveis do sistema. 4. Usuário adiciona itens na base de dados do sistema (desde que esteja logado). 6. O usuário poderá recomendar itens a outros usuários de sua rede de contatos, desde que esteja logado no sistema. 5. O sistema exibirá uma interface com a área de login e de cadastro, caso o usuário tente adicionar um item à base de dados e este não esteja logado ou cadastrado, respectivamente. Somente após efetuar login e/ou cadastro, será permitido ao usuário adicionar itens na base de dados do sistema. 7. O usuário poderá avaliar itens desde que esteja logado no sistema. 8. O usuário poderá comentar itens no sistema. Por questões de licenças, optou-se à utilização de ferramentas de caráter livre e open sources, tais como as tecnologias da plataforma LAMP (Linux, Apache, MySQL, PHP), que possuem suporte técnico, estabilidade e bom desempenho em suas versões, além de vasto referencial bibliográfico. Também utilizou-se a ferramenta freeware Astah Community 6.2 para a modelagem dos caso de uso e a ferramenta Inkscape 0.48.1-2 para a criação do design das interfaces. 5. Considerações Finais e Trabalhos Futuros Com esta proposta de sistema de recomendação georeferenciado baseado em filtragem colaborativa, pretende-se integrar tais características com o contexto da realidade do sudeste paraense, em especial da cidade de Marabá que se apresenta como ponto de partida do projeto. Como trabalhos futuros, pretende-se implementar a modelagem proposta no trabalho, além de desenvolver uma aplicação do sistema para a computação móvel. Também será estendida a pesquisa em mineração de dados e inteligência artificial para desenvolver novos modelos que auxiliem no processo de filtragem colaborativa. Assim
também, extrair as experiências em formato de trabalho científico, evidenciando problemáticas e possíveis soluções na emulação de um ambiente real de desenvolvimento de uma pequena fabrica de software.. 6. Referencial Bibliográfico BELVIN, N. J.; CROFT, W. B. Information Filtering and Information Retrieval: two sides of the same coin? Communications of the ACM, New York, v.35, n.12, p. 29, Dec. 1992. KAUTZ, H. et al. (1997). Referral Web: combining social networks and Collaborative filtering. Communications of the ACM, New York, v.40, n.3, p. 63-65, Mar. LARMAN, Craig. Utilizando UML e padrões: uma introdução à análise e ao projeto orientado a objetos e ao desenvolvimento iterativo. Ed. Bookman. 3ª edição, Porto Alegre, 2007. QUEIROZ, S. R. M. 2003. Group Recommendation Strategies Based On Collaborative Filtering. Dissertação de Mestrado, Universidade Federal de Pernambuco. GOLDBERG, D. et al. (1992). Using collaborative filtering to weave an information Tapestry. Communications of the ACM, New York, v.35, n.12, p. 61-70, Dec. MONTANER, M et al. (2003). A Taxonomy of Recommender Agents on the Internet. Artificial Intelligence Review. Netherlands : Kluwer Academic Publishers, pp. 285-330, Aug. RESNICK, P. e VARIAN, H. R. (1997). Recommender Systems. Communications of the ACM, New York, v.40, n.3, pp. 55-58, Mar.