{"id":476320,"date":"2023-08-09T07:28:31","date_gmt":"2023-08-09T07:28:31","guid":{"rendered":""},"modified":"2023-09-05T11:12:27","modified_gmt":"2023-09-05T11:12:27","slug":"collaborative-filtering","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/pt\/wiki\/collaborative-filtering\/","title":{"rendered":"Filtragem colaborativa"},"content":{"rendered":"<p>A Filtragem Colaborativa (CF) \u00e9 um m\u00e9todo algor\u00edtmico poderoso frequentemente aplicado no dom\u00ednio dos sistemas de recomenda\u00e7\u00e3o. Sua premissa essencial \u00e9 prever os interesses de um usu\u00e1rio espec\u00edfico, coletando prefer\u00eancias de v\u00e1rios usu\u00e1rios. A suposi\u00e7\u00e3o subjacente ao FC \u00e9 que se dois usu\u00e1rios concordam em uma quest\u00e3o, \u00e9 prov\u00e1vel que concordem tamb\u00e9m em outras.<\/p>\n<h2>A G\u00eanese e a Evolu\u00e7\u00e3o da Filtragem Colaborativa<\/h2>\n<p>A primeira men\u00e7\u00e3o \u00e0 Filtragem Colaborativa foi em 1992, por David Goldberg e outros da Xerox PARC, no desenvolvimento do Tapestry, um dos primeiros sistemas de e-mail. O Tapestry foi projetado para usar a intelig\u00eancia humana e permitir que as pessoas adicionassem anota\u00e7\u00f5es, ou \u201ctags\u201d, \u00e0s mensagens recebidas, que poderiam mais tarde ser usadas para filtrar as mensagens.<\/p>\n<p>Em 1994, o projeto GroupLens da Universidade de Minnesota introduziu o termo \u201cfiltragem colaborativa\u201d ao propor uma abordagem automatizada de FC. Este projeto utilizou CF para not\u00edcias da Usenet \u2013 uma rede de grupos de not\u00edcias nos quais os usu\u00e1rios podiam postar e filtrar de acordo com suas prefer\u00eancias.<\/p>\n<h2>Desdobrando a Filtragem Colaborativa<\/h2>\n<p>A filtragem colaborativa opera principalmente atrav\u00e9s da cria\u00e7\u00e3o de uma matriz de item do usu\u00e1rio que cont\u00e9m as prefer\u00eancias (como classifica\u00e7\u00f5es) dadas pelos usu\u00e1rios aos itens. Por exemplo, no contexto de um sistema de recomenda\u00e7\u00e3o de filmes, esta matriz conter\u00e1 classifica\u00e7\u00f5es dadas pelos usu\u00e1rios a diferentes filmes.<\/p>\n<p>CF \u00e9 baseado em dois paradigmas principais: CF baseado em mem\u00f3ria e CF baseado em modelo.<\/p>\n<ul>\n<li>\n<p>CF baseada em mem\u00f3ria: Tamb\u00e9m conhecida como CF baseada em vizinhan\u00e7a, esse paradigma faz previs\u00f5es com base na semelhan\u00e7a entre usu\u00e1rios ou itens. \u00c9 subdividido em User-User CF (identifica usu\u00e1rios semelhantes ao usu\u00e1rio previsto) e Item-Item CF (identifica itens semelhantes \u00e0queles que o usu\u00e1rio avaliou).<\/p>\n<\/li>\n<li>\n<p>CF baseado em modelo: Esta abordagem envolve o desenvolvimento de um modelo de usu\u00e1rios para conhecer suas prefer\u00eancias. As t\u00e9cnicas envolvidas s\u00e3o agrupamento, fatora\u00e7\u00e3o de matrizes, aprendizado profundo, etc.<\/p>\n<\/li>\n<\/ul>\n<h2>O mecanismo por tr\u00e1s da filtragem colaborativa<\/h2>\n<p>Basicamente, os processos de Filtragem Colaborativa envolvem duas etapas: encontrar usu\u00e1rios com gostos semelhantes e recomendar itens com base nas prefer\u00eancias desses usu\u00e1rios semelhantes. Aqui est\u00e1 um esbo\u00e7o geral de sua opera\u00e7\u00e3o:<\/p>\n<ol>\n<li>Calcule a semelhan\u00e7a entre usu\u00e1rios ou itens.<\/li>\n<li>Preveja as classifica\u00e7\u00f5es dos itens que ainda n\u00e3o foram avaliados por um usu\u00e1rio.<\/li>\n<li>Recomende os N itens principais com as classifica\u00e7\u00f5es previstas mais altas.<\/li>\n<\/ol>\n<p>A similaridade entre usu\u00e1rios ou itens \u00e9 normalmente calculada usando similaridade de cosseno ou correla\u00e7\u00e3o de Pearson.<\/p>\n<h2>Principais recursos da filtragem colaborativa<\/h2>\n<ol>\n<li><strong>Personaliza\u00e7\u00e3o:<\/strong> CF fornece recomenda\u00e7\u00f5es personalizadas, pois considera o comportamento individual do usu\u00e1rio durante a recomenda\u00e7\u00e3o.<\/li>\n<li><strong>Adaptabilidade:<\/strong> Ele pode se adaptar \u00e0s mudan\u00e7as de interesses do usu\u00e1rio.<\/li>\n<li><strong>Escalabilidade:<\/strong> Os algoritmos CF s\u00e3o capazes de lidar com grandes quantidades de dados.<\/li>\n<li><strong>Problema de inicializa\u00e7\u00e3o a frio:<\/strong> Novos usu\u00e1rios ou novos itens podem ser problem\u00e1ticos, pois n\u00e3o h\u00e1 dados suficientes para fazer recomenda\u00e7\u00f5es precisas \u2013 um problema conhecido como problema de inicializa\u00e7\u00e3o a frio.<\/li>\n<\/ol>\n<h2>Tipos de filtragem colaborativa<\/h2>\n<table>\n<thead>\n<tr>\n<th><strong>Tipo<\/strong><\/th>\n<th><strong>Descri\u00e7\u00e3o<\/strong><\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>CF baseado em mem\u00f3ria<\/td>\n<td>Usa a mem\u00f3ria de intera\u00e7\u00f5es anteriores de usu\u00e1rios para calcular a similaridade dos usu\u00e1rios ou a similaridade dos itens.<\/td>\n<\/tr>\n<tr>\n<td>CF baseado em modelo<\/td>\n<td>Envolve uma etapa de aprendizado do modelo e, em seguida, usa esse modelo para fazer previs\u00f5es.<\/td>\n<\/tr>\n<tr>\n<td>CF H\u00edbrido<\/td>\n<td>Combina os m\u00e9todos baseados em mem\u00f3ria e baseados em modelo para superar algumas limita\u00e7\u00f5es.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Usando Filtragem Colaborativa: Desafios e Solu\u00e7\u00f5es<\/h2>\n<p>CF \u00e9 amplamente utilizado em v\u00e1rios dom\u00ednios, incluindo, entre outros, filmes, m\u00fasicas, not\u00edcias, livros, artigos de pesquisa, consultas de pesquisa, tags sociais e produtos em geral. No entanto, existem desafios como:<\/p>\n<ol>\n<li><strong>Problema de inicializa\u00e7\u00e3o a frio:<\/strong> A solu\u00e7\u00e3o est\u00e1 em modelos h\u00edbridos que incorporam filtragem baseada em conte\u00fado ou usam metadados adicionais sobre usu\u00e1rios ou itens.<\/li>\n<li><strong>Esparsidade:<\/strong> Muitos usu\u00e1rios interagem com um pequeno n\u00famero de itens, deixando a matriz usu\u00e1rio-item esparsa. T\u00e9cnicas de redu\u00e7\u00e3o de dimensionalidade, como decomposi\u00e7\u00e3o de valores singulares, podem mitigar esse problema.<\/li>\n<li><strong>Escalabilidade:<\/strong> \u00c0 medida que os dados crescem, fornecer recomenda\u00e7\u00f5es rapidamente pode tornar-se computacionalmente intensivo. As solu\u00e7\u00f5es envolvem computa\u00e7\u00e3o distribu\u00edda ou uso de algoritmos mais escal\u00e1veis.<\/li>\n<\/ol>\n<h2>Compara\u00e7\u00e3o com t\u00e9cnicas semelhantes<\/h2>\n<table>\n<thead>\n<tr>\n<th><strong>M\u00e9todo<\/strong><\/th>\n<th><strong>Descri\u00e7\u00e3o<\/strong><\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Filtragem colaborativa<\/td>\n<td>Baseado no pressuposto de que as pessoas gostam de coisas semelhantes \u00e0s que gostavam no passado e de coisas que s\u00e3o apreciadas por pessoas com gostos semelhantes.<\/td>\n<\/tr>\n<tr>\n<td>Filtragem Baseada em Conte\u00fado<\/td>\n<td>Recomenda itens comparando o conte\u00fado dos itens e o perfil do usu\u00e1rio.<\/td>\n<\/tr>\n<tr>\n<td>M\u00e9todos H\u00edbridos<\/td>\n<td>Esses m\u00e9todos combinam Filtragem Colaborativa e Filtragem Baseada em Conte\u00fado, visando evitar certas limita\u00e7\u00f5es.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Perspectivas Futuras sobre Filtragem Colaborativa<\/h2>\n<p>Com o advento de tecnologias mais sofisticadas de aprendizado de m\u00e1quina e intelig\u00eancia artificial, os m\u00e9todos de CF est\u00e3o evoluindo. T\u00e9cnicas de aprendizagem profunda s\u00e3o agora utilizadas para desenvolver modelos complexos para FC, fornecendo recomenda\u00e7\u00f5es mais precisas. Al\u00e9m disso, a investiga\u00e7\u00e3o para enfrentar os desafios da escassez de dados e do problema do arranque a frio est\u00e1 em curso, prometendo m\u00e9todos de CF mais eficientes e eficazes no futuro.<\/p>\n<h2>Servidores proxy e filtragem colaborativa<\/h2>\n<p>Servidores proxy, como os fornecidos pelo OneProxy, podem auxiliar indiretamente na Filtragem Colaborativa. Eles fornecem anonimato e seguran\u00e7a, permitindo aos usu\u00e1rios navegar com privacidade. Isso incentiva os usu\u00e1rios a interagir livremente com itens na Internet, sem medo de comprometer sua privacidade. Os dados resultantes s\u00e3o essenciais para o CF, pois dependem fortemente das intera\u00e7\u00f5es entre os itens do usu\u00e1rio para fazer recomenda\u00e7\u00f5es.<\/p>\n<h2>Links Relacionados<\/h2>\n<ol>\n<li><a href=\"http:\/\/grouplens.org\/\" target=\"_new\" rel=\"noopener nofollow\">Pesquisa GroupLens<\/a><\/li>\n<li><a href=\"https:\/\/research.netflix.com\/\" target=\"_new\" rel=\"noopener nofollow\">Pesquisa Netflix<\/a><\/li>\n<li><a href=\"https:\/\/www.amazon.science\/tag\/recommendation\" target=\"_new\" rel=\"noopener nofollow\">Pesquisa Amaz\u00f4nica<\/a><\/li>\n<li><a href=\"https:\/\/dl.acm.org\/\" target=\"_new\" rel=\"noopener nofollow\">Biblioteca Digital ACM<\/a> para pesquisas acad\u00eamicas sobre Filtragem Colaborativa<\/li>\n<li><a href=\"https:\/\/scholar.google.com\/\" target=\"_new\" rel=\"noopener nofollow\">Google Scholar<\/a> para trabalhos acad\u00eamicos sobre Filtragem Colaborativa<\/li>\n<\/ol>","protected":false},"featured_media":0,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-476320","wiki","type-wiki","status-publish","hentry"],"acf":{"faq_title":"Frequently Asked Questions about <mark>Collaborative Filtering: A Comprehensive Guide<\/mark>","faq_items":[{"question":"What is Collaborative Filtering?","answer":"<p>Collaborative Filtering (CF) is an algorithmic method used within recommendation systems to predict a specific user's interests based on the preferences collected from numerous users.<\/p>"},{"question":"What is the history of Collaborative Filtering?","answer":"<p>The term Collaborative Filtering was first introduced in the GroupLens project by the University of Minnesota in 1994, which was designed for Usenet news. However, the concept was first mentioned in 1992 by David Goldberg and others from Xerox PARC, who developed Tapestry, an early email system that allowed users to filter messages based on tags.<\/p>"},{"question":"How does Collaborative Filtering work?","answer":"<p>Collaborative Filtering works by creating a user-item matrix, which is filled with the preferences (such as ratings) given by users to items. It then calculates the similarity between users or items, predicts the ratings of the items not yet rated by a user, and recommends the top-N items with the highest predicted ratings.<\/p>"},{"question":"What are the key features of Collaborative Filtering?","answer":"<p>The key features of Collaborative Filtering include personalization, adaptability, and scalability. However, it does have challenges such as the cold start problem, which is when there is insufficient data to make accurate recommendations for new users or items.<\/p>"},{"question":"What types of Collaborative Filtering exist?","answer":"<p>There are three main types of Collaborative Filtering: Memory-based CF that uses the memory of previous users' interactions to compute user or item similarity, Model-based CF that learns a model to predict user preferences, and Hybrid CF that combines the Memory-based and Model-based methods to overcome certain limitations.<\/p>"},{"question":"How is Collaborative Filtering used and what are the associated problems?","answer":"<p>Collaborative Filtering is used in various domains such as movies, music, news, books, research articles, search queries, social tags, and general products. The associated challenges include the cold start problem, sparsity, and scalability. However, solutions exist, such as hybrid models, dimensionality reduction techniques, and the use of more scalable algorithms.<\/p>"},{"question":"How does Collaborative Filtering compare to similar techniques?","answer":"<p>Collaborative Filtering is based on the assumption that users will like things similar to what they liked in the past and things liked by people with similar tastes. This contrasts with Content-Based Filtering, which recommends items by comparing the content of the items and a user profile. Hybrid Methods combine Collaborative Filtering and Content-Based Filtering to avoid certain limitations.<\/p>"},{"question":"What are the future perspectives on Collaborative Filtering?","answer":"<p>The future of Collaborative Filtering includes the advent of more sophisticated machine learning and artificial intelligence technologies. Deep learning techniques are being used to develop complex models for CF, providing more accurate recommendations. Ongoing research aims to address challenges of data sparsity and the cold start problem.<\/p>"},{"question":"How are proxy servers associated with Collaborative Filtering?","answer":"<p>Proxy servers can indirectly aid in Collaborative Filtering by providing anonymity and security, which allows users to browse with privacy. This encourages users to freely interact with items on the internet without fearing to compromise their privacy, leading to more user-item interaction data that CF relies on for making recommendations.<\/p>"}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/pt\/wp-json\/wp\/v2\/wiki\/476320","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/pt\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/pt\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/pt\/wp-json\/wp\/v2\/wiki\/476320\/revisions"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/pt\/wp-json\/wp\/v2\/media?parent=476320"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}