Filtragem colaborativa, identificação de usuário e técnicas de UX para Recomendação de Conteúdo

Dando seguimento ao artigo sobre Recomendação de Conteúdo, neste post falaremos sobre as técnicas e ferramentas essenciais para enfrentar os desafios para...

Data de publicação: 17/01/2017
filtragem colaborativa

Dando seguimento ao artigo sobre Recomendação de Conteúdo, neste post falaremos sobre as técnicas e ferramentas essenciais para enfrentar os desafios para criar um recomendador de conteúdo escalável – filtragem colaborativa, identificação de usuário e UX.
Filtragem Colaborativa | A filtragem colaborativa é uma das técnicas mais indicadas para a construção de recomendadores de conteúdo, pois utiliza o histórico de interesses do usuário para sugerir novos itens. Ela foi popularizada pela Amazon e hoje está presente na maioria dos portais de e-commerce e conteúdo, permitindo indicar livros, músicas, filmes, notícias e páginas da web.
Esse tipo de algoritmo consiste em ter um conjunto de usuários e seu histórico de interesses, que pode ser composto de links visitados ou produtos comprados. O objetivo é encontrar outros usuários que manifestaram os mesmos interesses e estabelecer um perfil em comum. Quando isso acontece, costumamos dizer que encontramos um relacionamento de interesse. Esse relacionamento pode ser determinado de duas formas: recomendação baseada no usuário ou baseada no item.
Na recomendação baseada no usuário, os itens são sugeridos através da relação entre usuários e sua forma de consumo. Essa relação, no entanto, não é fácil de ser obtida, uma vez que os usuários possuem uma natureza dinâmica e podem mudar seus gostos e preferências ao longo do tempo. Um dos principais mecanismos para contornar a natureza dinâmica dos usuários é considerar um histórico recente de consumo. Já a recomendação baseada em itens não sofre tantas mudanças e, em alguns casos, pode ser calculada com menor frequência. Isso passa a ser melhor quando a quantidade de usuários é maior que a quantidade de itens.
 
Identificação do Usuário | Uma característica muito importante para os sistemas de recomendação é conhecer o histórico de consumo dos usuários. Para isso, é preciso registrar todas as ações destes no portal, como: links e conteúdos acessados, produtos visualizados, etc. Essas informações devem ser armazenadas ao longo do tempo, e quanto mais informações coletarmos, melhor será a precisão do recomendador.
Para fazer todos esses registros é necessário identificar o usuário sempre que ele retornar ao site, e isso pode ser um problema, principalmente quando ele não está autenticado. Uma alternativa para isso é adotar um mecanismo de Cookie Pool, que permite identificar cada usuário através de um número único. Assim, sempre que um usuário entrar no portal, basta verificar se ele é conhecido, buscando sua identificação no cookie. Um ponto sensível dessa solução é que o usuário pode fazer uma navegação anônima, ou até mesmo limpar os cookies do navegador, impossibilitando sua identificação.
Portanto, a identificação do usuário é um ponto crucial para um sistema de recomendação de conteúdo, de modo que o sistema passa a aprender sobre o seu perfil e mapear suas preferências. Esse mapeamento permitirá à solução de machine learning fazer recomendações mais efetivas e aderentes com aquilo que o usuário gosta.
 
Experiência dos Usuários (UX) | Para incorporar um mecanismo de recomendação de conteúdo, normalmente o portal precisa passar por ajustes na experiência do usuário. O objetivo desses ajustes é separar o conteúdo recomendado dos demais conteúdos do portal, proporcionando mais facilidade para que o usuário encontre os assuntos de seu interesse.
Quando revisamos a experiência do usuário com o nosso portal, devemos considerar uma série de premissas: Um portal de receitas, por exemplo, poderia ser dividido em área de recomendação e área editorial. Os conteúdos exibidos na área de recomendação seriam sugeridos pelos algoritmos de machine learning. Já os conteúdos apresentados na área editorial poderiam ser relacionados a novidades sobre o portal, entrevistas recentes ou boas práticas culinárias.
Outro cenário em que esse tipo de abordagem faz bastante sentido é quando seu portal traz um conteúdo estruturado que depende de uma sequência. Como exemplo, vamos tomar um cenário de vídeoaulas. Nesse caso, a área de recomendação continuaria apresentando os vídeos sugeridos pelos algoritmos de machine learning, mas a área editorial apresentaria os demais vídeos da sequência. Isso porque é muito comum uma vídeoaula ser dividida em várias partes, o que torna importante deixar acessível ao usuário os próximos vídeos dessa sequência.
 
No próximo artigo vamos aprender a avaliar o recomendador.

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

oito − 4 =

Posts relacionados

  1. Sobre a Dextra

    Somos especialistas em desenvolvimento de software sob medida para negócios digitais. Pioneiros na adoção de metodologias de gestão ágil, combinamos processos de design, UX, novas tecnologias e visão de negócio, desenvolvendo soluções que criam oportunidades para nossos clientes.

  2. Categorias

Scroll to top