Sistemas de recomendação
-
Upload
anderson-dantas -
Category
Technology
-
view
1.723 -
download
5
description
Transcript of Sistemas de recomendação
![Page 2: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/2.jpg)
Introdução
Sistemas de Recuperação
Coleta de Informações Coleta explícita de informações
Coleta implícita de informações
Estratégias de Recomendação Listas
Avaliação dos Usuários
Suas Recomendações
Técnicas de Recomendação Filtragem Baseada em Conteúdo
Filtragem Colaborativa
Filtragem Híbrida
Estudos de Caso
![Page 3: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/3.jpg)
![Page 4: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/4.jpg)
Aumento na produção de informação;
Sobrecarga de Informação:
Falta de estímulo;
Dificuldade para encontrar o que deseja;
Sensação de estar perdido.
Como encontrar o que interessa?
Esforço próprio;
Sorte;
Recomendação de amigos.
![Page 5: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/5.jpg)
![Page 6: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/6.jpg)
Os sistemas de recomendação surgirampara auxiliar no processo social deindicar e receber indicações;
Procuram facilitar a busca por conteúdointeressante ao usuário;
Há vários tipos de recomendação: Recomendação de produtos;
Recomendação de serviços;
Recomendação de usuários – conhecidacomo combinação social.
![Page 7: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/7.jpg)
1992 - Sistemas de Filtragem
Cooperativa –Tapestry [Goldberg
et al.]
1994 - GroupLens[Resnick et al.]
1995 - Ringo/Firefly[Shardanand &
Maes]UsenetNews [Maltz &
EHRLICH]
1997 - Sistemas de Recomendação -CACM [Resnick &
Varian]
2000 - Sistemas de Reputação [Resnick
et al. 2000]
Sistemas de Geração de recomendações
Sistemas de Auxílio à recomendações
2001 - Eixos de Pesquisa [Terveen &
Hill]
2005 - Sist. de Combinação Social
[Terveen & McDonald]
![Page 8: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/8.jpg)
![Page 9: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/9.jpg)
Antes de coletar informações é
necessário utilizar um método para
identificar o usuário.
Servidor x Cliente
![Page 10: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/10.jpg)
Servidor: Login
![Page 11: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/11.jpg)
Cliente: Cookie
![Page 12: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/12.jpg)
Há duas maneiras de realizar a coleta
de informações:
Coleta Explícita (customização)
Coleta Implícita
![Page 13: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/13.jpg)
O usuário indica espontaneamente o
que lhe é importante.
![Page 14: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/14.jpg)
Seleção de seções favoritas
![Page 15: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/15.jpg)
Dados sobre seções favoritas
Usuário Seção favorita
[email protected] Música
[email protected] Design
![Page 16: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/16.jpg)
Desvantagem:
Exige paciência e atenção dos usuários.
![Page 17: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/17.jpg)
Através de ações do usuário infere-se
informações sobre suas necessidades e
preferências;
Cada interação com o usuário contribui
para um sistema de coleta de interesses
implícitos.
![Page 18: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/18.jpg)
Monitoramento de ações que indicam
interesses:
Colocar uma página nos favoritos;
Visualizar página por longo tempo;
Scrolling da barra de rolagem;
Colocar um produto na cesta de compras.
![Page 19: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/19.jpg)
Análise de log
Acessos por mês, dia, hora;
Páginas visualizadas;
Páginas mais populares;
Sites que remeteram ao site analisado;
País do visitante.
![Page 20: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/20.jpg)
Desvantagens:
Compra de produtos para outra pessoa;
Acesso a partir vários lugares;
Outras pessoas utilizam o mesmo acesso.
![Page 21: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/21.jpg)
![Page 22: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/22.jpg)
Não personalizada A aplicação oferece a mesma recomendação para todos os usuários;
Efêmera O sistema utiliza informações corrente do usuário, como itens vistos, produtos no carrinho de compras, etc;
Persistente Utiliza informações armazenadas sobre as preferências dos usuários.
![Page 23: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/23.jpg)
Algumas estratégias de recomendação:
Listas de recomendação ou TOP-N;
Avaliações de usuários;
Suas recomendações.
![Page 24: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/24.jpg)
Consiste em manter listas organizadas
por tipo de interesses
Itens mais vendidos
Idéias para presentes
O seu grau de personalização é não
personalizada
![Page 25: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/25.jpg)
![Page 26: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/26.jpg)
![Page 27: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/27.jpg)
Vantagem
Facilidade de impressão.
Desvantagem
Suas recomendações não são
personalizadas.
![Page 28: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/28.jpg)
As avaliações de usuários asseguram
outros consumidores sobre a qualidade
e utilidade do produto.
![Page 29: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/29.jpg)
![Page 30: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/30.jpg)
Aparece em uma seção com sugestões
feitas especificamente para o usuário.
![Page 31: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/31.jpg)
![Page 32: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/32.jpg)
![Page 33: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/33.jpg)
Várias tecnologias têm surgido visando a identificaçãode padrões de comportamento (consumo, pesquisa,etc.) e utilização destes padrões na personalização dorelacionamento com os usuários:
Redes Neurais;
Regra de Associação;
Árvores de Decisão;
Filtragem de Informação.
![Page 34: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/34.jpg)
Recuperação da Informação
Usuário descreve a sua necessidade de informação, através de uma consulta (query);
Casamento da consulta com os documentos armazenados;
Interação provocada pelo usuário;
Baseia-se na percepção de uma necessidade do momento.
Filtragem da Informação
Abordagem distinta;
Mantém um perfil dos interesses dos usuários;
Refere-se às preferências dos usuários;
Entrega de informações para as pessoas que realmente necessita.
![Page 35: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/35.jpg)
Filtragem Colaborativa.
Filtragem Baseada em Conteúdo.
Filtragem Híbrida.
![Page 36: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/36.jpg)
A essência está na troca de experiências
entre as pessoas que possuem interesses
comuns;
Itens são filtrados baseado nas avaliações
feitas pelos usuários;
Recomendação baseada na similaridade
entre usuários.
![Page 37: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/37.jpg)
Sistemas de Filtragem Colaborativa:
Tapestry
Recomendava emails vindos de diversas listas e
organizavam os emails de interesse ao usuário-alvo.
GroupLens
Recomendava notícias avaliadas
quantitativamente por notas 1 a 5 pelos usuários.
![Page 38: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/38.jpg)
Armazenamento dos perfis dos usuários.
Identificação de pessoas com gostos
semelhantes.
![Page 39: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/39.jpg)
Agrupamento de usuários com
preferências semelhantes;
Técnica muito utilizada: KNN (K vizinhos
mais próximos);
Identificação da vizinhança medida
pela similaridade de um usuário-alvo
com outros usuários da loja virtual.
![Page 40: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/40.jpg)
m
i
iuiaua rrw1
2
,,,
uWasim
,1
1
Distância Euclidiana
![Page 41: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/41.jpg)
Função do Cosseno
m
i
iu
m
i
ia
m
i
iuia
ua
rr
rr
Cos
1
2
,
1
2
,
1
,,
,
*
K2
K1 d
q
![Page 42: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/42.jpg)
Coeficiente de Pearson
m
i
uiu
m
i
aia
m
i
uiuaia
ua
rrrr
rrrr
w
1
2
,
1
2
,
1
,,
,
*
![Page 43: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/43.jpg)
Apresentada de acordo com a estratégia
do sítio de comércio eletrônico;
São escolhidos os produtos melhor
avaliados;
Cálculo da predição:
n
u ua
n
u uauiu
aia
w
wrrrp
1 ,
1 ,,
,
*
![Page 44: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/44.jpg)
Vantagens
Independência de conteúdo;
Geração de recomendações baseadas em
preferências dos usuários;
Possibilidade de produzir recomendações
inesperadas e de alta qualidade.
![Page 45: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/45.jpg)
Desvantagens
O problema do avaliador;
A dispersão da base de dados;
Ovelha negra;
Custo de processamento.
![Page 46: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/46.jpg)
Exemplo
Recomendar um produto ao usuário Mauro.
Os produtos Prod1 e Prod5 seriam recomendados a Mauro.
Usuário Prod1 Prod2 Prod3 Prod4 Prod5 Prod6
Paulo X X
João X X
Márcia X X X
Carlos X
Ana X X
Mauro X
![Page 47: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/47.jpg)
Faz comparações de similaridade entre o
usuário e um item da loja virtual;
Útil para produtos que contenham alguma
informação textual;
Descrição de interesses do usuário é obtida
através de informações fornecidas por ele
próprio ou através de ações.
![Page 48: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/48.jpg)
A construção do perfil do usuário é
ponto chave desse método;
As descrições dos produtos são textos
que expressam o conteúdo do produto;
TF-IDF (Term-frequency Inverse-
Document-Frequency) é uma das
técnicas mais utilizadas.
![Page 49: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/49.jpg)
Relembrando TF-IDF...
Freqüência do termo no documento Term Frequency (TF).
Quanto maior, mais relevante é o termopara descrever o documento.
Inverso da freqüência do termo entre osdocumentos da coleção Inverse Document Frequency (IDF).
Termo que aparece em muitos documentosnão é útil para distinguir relevância.
![Page 50: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/50.jpg)
Relembrando TF-IDF...
Essa técnica calcula similaridade detextos baseada na freqüência quepalavras chave aparecem nos textospara montar os perfis dos usuários.
jjiji idftfw *,, N
n
jll
ji
ji jfreq
freqw log*
max ,
,
,
![Page 51: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/51.jpg)
Exemplo de representação do perfil do
usuário:
Representação do perfil do usuário em um sistema de recomendação de filmes
![Page 52: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/52.jpg)
Não há formação de vizinhança entre usuários
semelhantes;
Comparações são realizadas comparando-seo perfil do usuário a todos os produtos;
Freqüência das palavras chave (TF-IDF);
Discrimina as palavras que podem ou não
descrever certo tipo de texto (TF-IDF).
![Page 53: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/53.jpg)
Vantagens
Não possui o problema do primeiro
avaliador;
Possui capacidade de recomendar todos
os itens.
![Page 54: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/54.jpg)
Desvantagens
Não considera aspectos como qualidade
do texto e renome do autor;
Super especialização;
Conteúdo dos dados pouco estruturados
(vídeo e som).
![Page 55: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/55.jpg)
Faz uso de umas ou mais técnicas de
recomendação;
Junção das filtragens Colaborativas e
Baseadas em Conteúdo;
Ainda não resolve o problema do startup
Itens mais vendidos
Dados demográficos
![Page 56: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/56.jpg)
Ponderado A similaridade de um item é calculada combinando-se várias
técnicas de recomendação, com pesos diferentes para cadauma delas.
Alterado O sistema alterna a técnica que gera a recomendação
dependendo de um critério escolhido.
Cascata Uma técnica de recomendação refina as recomendações
fornecidas por outra técnica.
Combinação de Características Características de diferentes fontes de recomendação são
acopladas num único algoritmo.
![Page 57: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/57.jpg)
Aumento de características
As recomendações geradas por uma técnica são
utilizadas como entrada para outra técnica.
Misto
Recomendações de várias técnicas são apresentadas
na mesma lista.
Meta-Level
O modelo aprendido por uma técnica de
recomendação é utilizado como informação de entrada
para outra técnica.
![Page 58: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/58.jpg)
Alguns exemplos:
Fab Recomenda páginas da internet para usuários;
Análise de conteúdo para criar perfis de usuários e comparaesses perfis para determinar usuários ;
Meta-Level.
P-tango Recomenda notícias em um jornal on-line;
Média entre sugestões de filtragem colaborativa e baseadaem conteúdo;
Ponderado.
![Page 59: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/59.jpg)
Alguns exemplos:
TechLens Recomenda artigos científicos para pesquisadores e estudantes;
Combina o sistemas de filtragem colaborativa e baseada em conteúdo dediversas maneiras;
Aumento de características e Misto.
FEERS Recomenda filmes para usuários; Desenvolvido na UFPE; Baseia-se em avaliações dos usuários; Meta-Level.
e-Recommender (baseado no FEERS) Recomenda produtos de uma loja de comércio eletrônico; Desenvolvido na UFPE.
![Page 60: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/60.jpg)
![Page 61: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/61.jpg)
Ferramenta híbrida para recomendação
inteligente de produtos
![Page 62: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/62.jpg)
Combinação da abordagemcolaborativa e baseada em conteúdo;
Abordagem colaborativa paraencontrar usuários com gostossemelhantes: KNN-FC;
Abordagem de conteúdo paracomparar características descritivas dosprodutos: Análise simbólica.
![Page 63: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/63.jpg)
Meta-level: o modelo aprendido pelafiltragem de conteúdo é utilizado comoentrada para a filtragem colaborativa;
O site de comércio eletrônico armazena as informações das interações do usuário;
Informação implícita: são utilizados os produtos que o usuário comprou para construir seu perfil.
![Page 64: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/64.jpg)
![Page 65: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/65.jpg)
![Page 66: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/66.jpg)
osCommerce.
Servidor Apache 2.
![Page 67: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/67.jpg)
![Page 68: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/68.jpg)
![Page 69: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/69.jpg)
Inicialmente: ISBN;
Código do usuário;
Data da compra.
Depois do crawler: Autor;
Categoria;
Resumo;
Avaliações;
Ano;
Preço;
Páginas;
Editor;
Livros comprados em conjunto.
![Page 70: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/70.jpg)
Pré-processamento.
Generalização.
![Page 71: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/71.jpg)
![Page 72: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/72.jpg)
Transforma o perfil do usuário numa
descrição simbólica.
![Page 73: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/73.jpg)
Lista ordenada de acordo com a
similaridade;
Cálculo de similaridade entre o produto
e o perfil do usuário;
Recomendação realizada em dois
passos:
1. Calcular similaridade entre usuários;
2. Cálculo da relevância de cada produto
para o usuário.
![Page 74: Sistemas de recomendação](https://reader033.fdocument.pub/reader033/viewer/2022051817/547bba8bb4af9fa5158b4ee0/html5/thumbnails/74.jpg)
Reategui, E. B. & Cazella, S. C. Mini-curso: Sistemas de Recomendação. V Encontro Nacional de Inteligência Artifical, 2005.
Zanette, L. R. Sistema de Recomendação. Disponível em: http://www.slideshare.net/JosephRosa/sistemas-de-recomendao-pronto-461784 (Acessado em 23/09/2010).
BEZERRA, B. L. D. Uma Solução em Filtragem de Informação para Sistemas de recomendação Baseada em Análise de Dados Simbólicos. Dissertação de Mestrado do Curso de Ciências da Computação, Universidade Federal de Pernambuco, 2004.
FILHO, V. M. e-recommender: Sistema inteligente de recomendação para comércio eletrônico. Trabalho de Conclusão do Curso de Engenharia da Computação, Universidade de Pernambuco, 2006.