Sistemas de Recomendação

Origem: Wikilivros, livros abertos por um mundo aberto.
Saltar para a navegação Saltar para a pesquisa
Nuvola apps edu miscellaneous.png Esta página é um monomódulo, ou seja, não está inserida em nenhum livro e/ou não tem subpáginas.
Ajude o Wikilivros inserindo-a em um livro existente ou por criar.

Introdução[editar | editar código-fonte]

O advento das novas tecnologias vem sendo cada vez mais impositivo na sociedade. Em meio a diversas tendências e demandas é possível evidenciar uma forte expansão da informação neste século. Neste contexto altamente transacional, entram as organizações, que estão em constante busca por vantagem competitiva. Para tal surge a necessidade de um manejo correto e eficiente da massiva quantidade de dados e informações em que essas organizações estão expostas.

Na última década percebeu-se um aumento considerável de informações, em diversas áreas, devido ao avanço da tecnologia que promoveu o acesso à informação através da internet, compartilhamento por smartphones etc. Entretanto Nesse contexto fatores como  facilidade de geração e disponibilização de conteúdo podem levar o usuário a um estado conhecido como Sobrecarga de Informação, no qual o usuário dispõe de informação demasiada, necessitando que esta seja filtrada e exigindo o seu discernimento (CAZELLA, NUNES e REATEGUI, 2005)[1] .

Para resolver o problema da quantidade de informação disponível e filtrar o conteúdo na Internet, os Sistemas de Recomendação (SRs) são fundamentais, uma vez que permitem aos usuários compartilhar informações sobre materiais consultados, possibilitando também que registrem suas impressões sobre estes materiais(CAZELLA et al., 2005)[1].

Sistemas de Recomendação são conjuntos de algoritmos que utilizam técnicas de Aprendizagem de Máquina e Recuperação da Informação a fim de obter recomendações baseadas em determinado tipo de filtragem seja de forma colaborativa que consideram a experiência de todos os usuários, baseada em conteúdo que levam em conta A similaridade de um item recomendado e híbrida métodos que combinam as duas abordagens anteriores (colaborativa, baseada em conteúdo).

Por isso, hoje em dia sistemas de recomendação desempenham um papel importante. Pois tem como objetivo identificar os produtos que melhor atendem às preferências do usuário Os Sistemas de Recomendação (SR), surgem a partir da necessidade de filtrar a quantidade de opções disponíveis para o usuário, automatizando a geração de recomendações baseadas na análise dos dados (Melville e Sindhwani, 2010)[2].Quando existe uma interação com o usuário, um perfil é criado no sistema, formando uma recomendação específica para o próximo acesso ao sistema, contendo uma relação de itens que podem ser músicas, livros, artigos ou outros tipos de produtos de consumo do usuário.

processo de identificação do usuário é opcional em um SR, porém, quando é realizado, esse é o primeiro passo a ser feito, que consiste na coleta dos dados, que são armazenados em uma base, para posteriormente uso na recomendação (BARCELLOS et al., 2007).É tarefa dos sistemas de recomendação transformar os dados dos usuários e suas preferências em previsões de possíveis gostos e interesses futuros dos usuários. Quando uma explicação é recebida por um usuário, uma recomendação pode ser aceita com mais facilidade, pois o sistema fornece transparência às suas recomendações (que seguem a maioria dos algoritmos de recomendação).

História[editar | editar código-fonte]

Os sistemas de recomendação foram mencionados pela primeira vez em um relatório técnico como uma "estante digital" em 1990 por Jussi Karlgren na Universidade de Columbia,  e implementados em escala e trabalhados em relatórios e publicações técnicas a partir de 1994 por Jussi Karlgren, depois no SICS, e grupos de pesquisa liderados por Pattie Maes no MIT, Will Hill no Bellcore, e Paul Resnick .

Em 1997, a AT&T Labs apresentou sistemas de recomendação personalizados baseados em filtragem colaborativa, chamados “PHOAKS”(L.TERVEEN, W.HIIL, B.AMENTO, D.MCDONALD, J. CREATER,1997,p 57-62)[3]  e “Referral Web” em 1999(H. Kautz, B. Selman, M. Shah,1997 p 63–65)[4], Tanja Joerding, da Universidade de Tecnologia de Dresden, na Alemanha, implementou um sistema de protótipo de comércio eletrônico personalizado, "TELLIM" (T. JOERDING,1999, p 99–107)[5]. Em 2001, a IBM adicionou recursos personalizados à sua plataforma de comércio eletrônico, "Websphere"(B. MOORE, R. JANKER, B. PAPEZ, L. POWER, R. WATKINS, 2001, p.1)[6] , para permitir que as empresas desenvolvessem sites personalizados de comércio eletrônico. Em 2003, o Google tornou o "AdWords" lucrativo, fornecendo anúncios relevantes por meio de palavras-chave pesquisadas pelos usuários. Em 2009, a Overstock (varejistas on-line famosos dos EUA) começou a usar o programa de publicidade em banner personalizado da empresa Choice Stream para exibir anúncios de produtos em alguns sites de alto tráfego.

Desde meados dos anos 90, os sistemas de recomendação tornaram-se basicamente uma importante área de pesquisa tendo sido o foco de várias patentes concedidas  e ajudando  diretamente os usuários a identificar conteúdo, produtos ou serviços (como livros, produtos digitais, filmes, sites etc ...) com a agregação e análise de sugestões de outros usuários o que também significa análises de várias autoridades e usuários de forma colaborativa.

Tipos de sistema de recomendação[editar | editar código-fonte]

Os tipos de sistemas de recomendações mais comuns são as Listas de recomendações, avaliações de usuários, suas Recomendações(Recomendações relacionadas ao gosto pessoal do usuário), recomendações de itens relacionados e associação por conteúdo. Estes tipos de recomendações normalmente são utilizados como estratégias de recomendação, que por exemplo podemos ver em sites de e-commerce. Normalmente o mesmo site utiliza várias delas em conjunto (Como avaliação de usuários e itens relacionados ao produto).

Segundo Reategui e Cazella (2005, p. 310)[1] as estratégias de recomendações são utilizadas para entender os gostos dos usuários, sem que eles forneçam suas informações de forma explícita, e assim utilizar os dados como recomendações.

Listas de recomendações[editar | editar código-fonte]

Listas de recomendações são listas de itens separados de forma a ter uma organização que facilite que aquele item seja encontrado. A maioria dos sites de e-commerce possui uma lista de recomendação, onde eles dividem os produtos por setores ou relevância, como por exemplo, games, roupas e jardim.

A principal vantagem neste tipo de estratégia está na facilidade de implementação. Basta manter-se listas de acordo com as necessidades de marketing, de aumento de lucratividade, de disseminação de informações (no caso de recomendação de conteúdo), etc. A desvantagem é que as recomendações não são dirigidas a cada usuário independentemente, mas sim a todos os usuários sem distinção(REATEGUI;CAZELLA, 2005, p. 311)[1].

Avaliações de usuários[editar | editar código-fonte]

A recomendação através da avaliação dos usuários acontece de forma que, um usuário que já comprou ou utilizou aquele item deixe um comentário com a sua opinião e também deixa uma nota com a avaliação daquele produto com base em sua opinião de uso.

A finalidade desse sistema é justamente para atestar a qualidade dos produtos, sendo assim também é incentivado que os usuários coloquem suas opiniões reais no sistema.

Suas Recomendações[editar | editar código-fonte]

Seção de recomendação desenvolvida inteiramente com base nos gostos e preferências do usuário, que podem ser coletados com base nos produtos que mesmo busca ou já visualizou anteriormente e produtos relacionados a compras já realizadas com base em listas de desejos. De  acordo com Reategui e Cazella (2005, p. 312)[1] essas recomendações são feitas com base em preferências explícitas e implícitas do usuário.

Recomendações de itens relacionados[editar | editar código-fonte]

Essa recomendação ocorre quando se é possível fazer uma relação entre os itens disponíveis, e assim recomendando esses itens por serem similares aos produtos visualizados, sendo muito comum em sites de e-commerce. Em sites de e-commerce também é comum ver itens relacionados a itens já comprados sendo recomendados, ou itens que foram visualizados também por outros usuários que olharam um mesmo produto.


Associação por conteúdo[editar | editar código-fonte]

Essa recomendação é feita com base na similaridade de informações contidas em um item, como por recomendação de um jogo da mesma produtora de outro jogo que um cliente comprou em um site de e-commerce. Sendo assim é possível relacionar diversos produtos para fazer uma recomendação, só bastando que esses produtos tenham algum conteúdo em comum.


Coleta de informações[editar | editar código-fonte]

É fundamental em um sistema de recomendação que se faça uso de informações úteis e necessárias para que uma recomendação seja efetuada. Quanto mais dados esses sistema possuem, mais precisas e úteis são as recomendações feitas por ele. Portanto segundo Reategui e Cazella (2005, p. 308)[1] é essencial que se possa identificar o usuário no momento em que ele acessa o sistema onde foram implantadas as rotinas de recomendação.

Os principais métodos utilizados para identificar quem é usuário na web são a utilização de um sistema de cadastro pelo próprio sistema que irá realizar a recomendação, onde o próprio usuário irá fornecer os seus dados, e com isso todas essas informações serão alocadas no banco de dados desse sistema, podendo assim utilizar para recomendações futuramente. Outra forma de obter esses dados é através da utilização de cookies, que são um pacote de dados enviado pelo sistema web através do navegador, e através desses cookies o sistema pode coletar informações sobre as atividades do usuário e também pode o identificar já que os cookies conseguem identificar se aquele mesmo computador está se conectando novamente ao site.

Depois de identificado o usuário, é possível coletar dados sobre este de forma implícita ou explícita. Na modalidade de coleta explícita (também conhecida como V ENIA 308 customização), o usuário indica espontaneamente o que lhe é importante(REATEGUI;CAZELLA, 2005, p. 308)[1].

Na modalidade implícita, através de ações do usuário infere-se informações sobre suas necessidades e preferências. Por exemplo, armazenando-se dados de navegação do usuário (páginas consultadas, produtos visualizados, etc) é possível detectar que ele se interessa por Design e Turismo(REATEGUI;CAZELLA, 2005, p. 309)[1].

Funcionamento do sistema[editar | editar código-fonte]

O funcionamento geral de um sistema de recomendação visa detectar padrões a partir da coleta de dados de forma implícita ou explícita para então estipular um perfil de preferências do usuário. De modo geral, esse funcionamento pode ser dividido em três categorias, de acordo com o tipo de filtragem de informação (ADOMAVICIUS e TUZHILIN, 2005)[7], que serão apresentadas nas subseções seguintes.

Baseada em conteúdo[editar | editar código-fonte]

De acordo com Ghisloti (2014, p.3)[8] neste tipo de abordagem é levado em consideração, primordialmente, o conteúdo antes consumido pelo usuário para então serem sugeridos produtos em comum. Este processo é feito por softwares que atribuem automaticamente tags que categorizam as informações de cada item de modo a filtrar toda informação disponível. Itens com características semelhantes são colocados em um mesmo conjunto. Em conseguinte, de acordo com o conjunto em que consta o conteúdo adquirido novas recomendações surgirão ao usuário limitadas por esse espectro.

As vantagens desse tipo de funcionamento está na facilidade de implementação, se comparado a outros modelos, uma vez que é necessário apenas a análise dos dados do usuário para reconhecer as tags dos objetos visitados e relacioná-las às do banco de dados. Todavia, esse modelo pode levar a um ciclo vicioso de assunto uma vez que os itens sugeridos sempre serão semelhantes ao já consumidos, não fornecendo ao consumidor produtos que talvez fossem de seu interesse porém não parecidos com nada comprado por ele naquele site em questão (CAZELLA, NUNES e REATEGUI, 2010)[9].

Filtragem Colaborativa[editar | editar código-fonte]

Na estratégia de recomendação por filtragem colaborativa, sugestões são dadas em relação a uma base de dados de todos os usuários do serviço. Uma das formas é por meio das avaliações, onde o consumidor pode avaliar o item adquirido de acordo com sua experiência, fazendo com que itens bem avaliados pela comunidade sejam recomendados aos demais frequentadores. Outro método de funcionamento da filtragem colaborativa consiste na interpolação dos dados coletados de cada um dos perfis de modo a criar grupos de pessoas com personalidades em comum, e, por consequência, interesses próximos. Por exemplo: numa situação onde duas pessoas (X e Y) compraram os mesmos produtos, admite-se que elas possuam interesses em comum. Dessa forma caso a pessoa X decida por comprar algo novo, Y receberá a recomendação desse mesmo produto (LINDEN et al., 2003, p.77)[10].

Esta metodologia sana a problemática de ciclo vicioso mencionada na filtragem baseada em conteúdo visto que produtos de tipos diferentes podem ser sugeridos. Contudo, ela requer uma análise mais complexa dos dados dos usuários para realizar a conexão entre eles (GHISLOTI, 2014, p.3)[8].

Filtragem Híbrida[editar | editar código-fonte]

Por fim tem-se o funcionamento por filtragem híbrida que combina as técnicas de funcionamento da filtragem baseada em conteúdo e da filtragem colaborativa com a finalidade de contornar ambas as desvantagens de cada uma (HERLOCKER 2000)[11].

Arquitetura[editar | editar código-fonte]

Detalhando o conceito e agregações de Sistemas de recomendação, é de boa prática que se evidencie aspectos dos mesmos, sendo estes  inerentes ou não ao sistema em questão. Dentre estes aspectos, destaca-se a arquitetura.

Reategui e Cazella(2005, p. 329)[1] elucidam que é possível destacar dois tipos de arquitetura no contexto dos sistemas de recomendação. Inicialmente tem-se um tipo baseado em técnicas de Filtragem de informação, neste contexto a aplicação da mineração de dados não se faz presente uma que vez o feedback oriundo das ações dos usuários possibilita ao sistema uma análise direta dos dados desses usuários.

Neste caso, são armazenadas diferentes estratégias de recomendação, sendo assim possível moldar a forma como o sistema irá realizar as diversas sugestões ao usuário. É utilizado um servidor web que realiza requisições  ao sistema de recomendação em questão, e dessa forma essas recomendações são retornadas de forma personalizada.

No segundo tipo de arquitetura citado por  Reategui e Cazella(2005, p.330)[1] diferentemente do primeiro, é feito do uso da mineração de dados no contexto de descoberta de padrões em dados demográficos e transacionais oriundos da atividade dos usuários. Uma vez que esse tipo de arquitetura faz uso da mineração de dados, os padrões identificados são armazenados em uma base de conhecimento. Com a implantação da mineração. têm-se um refinamento dos dados em questão,o que evidencia este armazenamento como boa prática. Assim como na modalidade anterior de arquitetura, diferentes estratégias de recomendação  são armazenadas para que se moldem as sugestões aos usuários. Também é utilizado um servidor web, o mesmo é quem realiza as requisições ao sistema de recomendação, e este “retorna as recomendações sem interferência direta do sistema de mineração”(Reategui e Cazella, 2005)[1].

Exemplo de aplicação[editar | editar código-fonte]

Um bom exemplo de empresa que faz uso de sistemas de recomendação é a Netflix, atualmente uma plataforma de VOD (video on demand) serviço no qual o assinante escolhe o que quer assistir, livre de grades de programação. Conforme enunciado por Miranda (2017, p.1)[12] a empresa que inicialmente comercializava DVD’s por e-mail, tornou-se uma das mais renomadas plataformas de streaming de vídeos onde, segundo fontes da Wired (Acessado em 2016) 75% da atividade da audiência é direcionado pelo sistema de recomendações.

Apostando em um sistema com funcionamento por filtragem híbrida acrescentado de tecnologias de ponta os algoritmos da Netflix reconhecem implicitamente as preferências de seus usuários por meio dos últimos conteúdos assistidos estipulando suas zonas de interesse que servirão de base para sugestões futuras. Além disso, consumidores que comumente assistem um mesmo filme são colocados em um grupo onde caso um deles assista um outro filme qualquer o mesmo será recomendado a todos os integrantes do grupo.

Os algoritmos da Netflix também realizam comparações entre usuários diferentes de acordo com as proximidades de seus gostos, por exemplo, algumas sugestões podem ser difíceis de serem relacionadas a princípio, como no caso de Missão Impossível que pode aparecer como recomendação para fãs da franquia Star Trek (Jornada nas Estrelas). De acordo com Carlos Gomez-Uribe, vice-presidente de inovação em produtos e algoritmos personalizados, e Xavier Amatriain, diretor engenheiro, isso ocorre porque o algoritmo da Netflix também realiza comparações entre usuários diferentes, mas de gostos semelhantes, partindo do princípio de que se um gosta de determinada obra, o outro também gostará. (MIRANDA, 2017, p.8)[12].

A figura-03 ilustra as diferentes vertentes do sistema de recomendação utilizado pela companhia onde o “Populares na Netflix” segue o modelo de avaliações de usuários; o “Em alta” baseia-se na lista de recomendação; e o “Porque você assistiu” é gerado a partir da recomendação de itens relacionados.


Ainda de acordo com Miranda (2017 p.7)[12] para aprimorar seu sistema de recomendação, a Netflix tem investido massivamente em redes neurais artificiais (RNA’s) que de forma sucinta dá inteligência e autonomia a aplicação que aprende as preferências específicas do usuário ao longo do tempo, tais como: os dias da semana que ele prefere assistir algo relacionado a determinado gênero, ou recomendações específicas de acordo com um horário em questão.

Conclusão[editar | editar código-fonte]

É de grande destaque abrangência e potencial dos sistemas de recomendação dentro da sociedade, visto que desde a década de 1990 estes conceitos são pesquisados. Na sociedade contemporânea é possível evidenciar o quanto se consolidaram, os sistemas de recomendação, uma vez que a demanda tecnológica torna-se cada vez maior com o passar dos anos.

Neste contexto, entra a forte competitividade das organizações, que  independentemente do seguimento em que estão estabelecidas buscam constantemente por fatores como inovação e vantagem competitiva. Os diversos tipos de  sistemas de recomendação entram justamente neste cerne, a partir da aprendizagem e sugestão baseada nas atividades dos usuários nas plataformas inteligentes.

Foram elaboradas diferentes estratégias de recomendação ao longo dos anos, uma vez que as demandas são diversas. Essa diversidade só tende a aumentar com a expansão da tecnologia da informação ao redor do globo. Conceitos como a aplicação da mineração de dados, diferentes técnicas de filtragem, diversos algoritmos, aplicações web em diversos âmbitos, justificam a importância da busca por fatores qualitativos e inteligentes para a consolidação de bons resultados às organizações e plataformas. Tais fatores estão diretamente ligados à convergência das sugestões fornecidas com os reais interesses dos usuários.

Reategui e Cazella (2005, p. 335)[1] destaca fortemente a questão da privacidade no contexto dos sistemas de recomendação, ao expor pesquisas que evidenciam grande parte da sociedade sendo favorável ao fornecimento de dados e informações que possibilitem o recebimento de recomendações, no entanto esta mesma maioria tem forte preocupação com a divulgação indevida destes dados e informações por parte das empresas.Dessa forma é de se ressaltar que a identificação dos usuários com o as recomendações possibilitam maior satisfação e um cenário mais promissor às organizações que fazem uso dessas aplicações , desde que as mesmas estejam sempre dentro da legalidade ao abordar o usuários.

Referências[editar | editar código-fonte]

REATEGUI, Eliseo Berni; CAZELLA, Sílvio César. Sistemas de recomendação. In: XXV Congresso da Sociedade Brasileira de Computação. 2005. p. 306-348.[1]

MELVILLE, P.; SINDHWANI, V. BRecommender systems,[Encyclopedia Mach.[2]

Adomavicius, G. and Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6):734–749.[7]

SOUZA, Renata Ghisloti Duarte. Sistemas de Recomendação: Aplicando Sistemas de Recomendação em Situações Práticas. 2016.[8]

CAZELLA, Sílvio César; NUNES, M. A. S. N.; REATEGUI, Eliseo. A Ciência da Opinião: Estado da arte em Sistemas de Recomendação. André Ponce de Leon F. de Carvalho; Tomasz Kowaltowski..(Org.). Jornada de Atualização de Informática-JAI, p. 161-216, 2010.[9]

LINDEN, Greg; SMITH, Brent; YORK, Jeremy. Amazon. com recommendations: Item-to-item collaborative filtering. IEEE Internet computing, n. 1, p. 76-80, 2003.[10]

HERLOCKER, Jonathan Lee; KONSTAN, Joseph A. Understanding and improving automated collaborative filtering systems. Minnesota: University of Minnesota, 2000.[11]

MIRANDA, Wagner Rodrigues. Netflix: Big Data e os algoritmos de recomendação. Anais do XXXII INTERCOM, Rio de Janeiro, 2017.[12]

FIGUEIRA FILHO, Fernando M.; DE GEUS, Paulo Lício; DE ALBUQUERQUE, João Porto. Sistemas de recomendação e interação na web social. In: Proceedings of the 1st Workshop on Human-Computer Interaction Aspects in the Social Web, in conjunction with the VIII Brazilian Symposium of Human Factors on Computer Systems (IHC 08). 2008. p. 24-27.[13]

LEMIRE, Daniel. MACLACHLAN, Anna. Slope One Predictors for Online Rating-Based Collaborative Filtering, In SIAM Data Mining (SDM'05), Newport Beach, California, April 21-23, 2005.[14]

LOHMANN, Augusto; MONAT, André. Sistemas de recomendação de conteúdo em sites de notícias. Arcos Design. Rio de Janeiro: PPD ESDI - UERJ. Volume 9 Número 2 Dezembro 2016. pp. 65-76. Disponível em: arcosdesign.[15]

VANDERBILT, Tom. The science behind the Netflix algorithms that decide what you’ll watch next. Wired, July, v. 8, 2013.[16]

L. Terveen, W. Hill, B. Amento, D. McDonald, J. Creter, PHOAKS: a system for sharing recommendations, Commun. ACM 40 (3) (1997) 59–62.[3]

H. Kautz, B. Selman, M. Shah, Referral web: combining social networks and collaborative filtering, Commun. ACM 40 (3) (1997) 63–65.[4]

T. Joerding, A temporary user modeling approach for adaptive shopping on the web, Proceedings of Second Workshop on Adaptive Systems and User Modeling on the World Wide Web, Toronto and Banff, Canada. Computer Science Report, (1999), pp. 99–107.[5]

B. Moore, R. Janker, B. Papez, L. Power, R. Watkins, Migrating weblogic applications to websphere advanced edition, IBM Redbooks, (2001), p. 1.[6]

  1. 1,00 1,01 1,02 1,03 1,04 1,05 1,06 1,07 1,08 1,09 1,10 1,11 1,12 REATEGUI, Eliseo Berni; CAZELLA, Sílvio César. Sistemas de recomendação. In: XXV Congresso da Sociedade Brasileira de Computação. 2005. p. 306-348.
  2. 2,0 2,1 MELVILLE, P.; SINDHWANI, V. BRecommender systems,[Encyclopedia Mach.
  3. 3,0 3,1 L. Terveen, W. Hill, B. Amento, D. McDonald, J. Creter, PHOAKS: a system for sharing recommendations, Commun. ACM 40 (3) (1997) 59–62.
  4. 4,0 4,1 H. Kautz, B. Selman, M. Shah, Referral web: combining social networks and collaborative filtering, Commun. ACM 40 (3) (1997) 63–65.
  5. 5,0 5,1 T. Joerding, A temporary user modeling approach for adaptive shopping on the web, Proceedings of Second Workshop on Adaptive Systems and User Modeling on the World Wide Web, Toronto and Banff, Canada. Computer Science Report, (1999), pp. 99–107.
  6. 6,0 6,1 B. Moore, R. Janker, B. Papez, L. Power, R. Watkins, Migrating weblogic applications to websphere advanced edition, IBM Redbooks, (2001), p. 1.
  7. 7,0 7,1 Adomavicius, G. and Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6):734–749.
  8. 8,0 8,1 8,2 SOUZA, Renata Ghisloti Duarte. Sistemas de Recomendação: Aplicando Sistemas de Recomendação em Situações Práticas. 2016.
  9. 9,0 9,1 CAZELLA, Sílvio César; NUNES, M. A. S. N.; REATEGUI, Eliseo. A Ciência da Opinião: Estado da arte em Sistemas de Recomendação. André Ponce de Leon F. de Carvalho; Tomasz Kowaltowski..(Org.). Jornada de Atualização de Informática-JAI, p. 161-216, 2010.
  10. 10,0 10,1 LINDEN, Greg; SMITH, Brent; YORK, Jeremy. Amazon. com recommendations: Item-to-item collaborative filtering. IEEE Internet computing, n. 1, p. 76-80, 2003.
  11. 11,0 11,1 HERLOCKER, Jonathan Lee; KONSTAN, Joseph A. Understanding and improving automated collaborative filtering systems. Minnesota: University of Minnesota, 2000.
  12. 12,0 12,1 12,2 12,3 MIRANDA, Wagner Rodrigues. Netflix: Big Data e os algoritmos de recomendação. Anais do XXXII INTERCOM, Rio de Janeiro, 2017.
  13. FIGUEIRA FILHO, Fernando M.; DE GEUS, Paulo Lício; DE ALBUQUERQUE, João Porto. Sistemas de recomendação e interação na web social. In: Proceedings of the 1st Workshop on Human-Computer Interaction Aspects in the Social Web, in conjunction with the VIII Brazilian Symposium of Human Factors on Computer Systems (IHC 08). 2008. p. 24-27.
  14. LEMIRE, Daniel. MACLACHLAN, Anna. Slope One Predictors for Online Rating-Based Collaborative Filtering, In SIAM Data Mining (SDM'05), Newport Beach, California, April 21-23, 2005
  15. LOHMANN, Augusto; MONAT, André. Sistemas de recomendação de conteúdo em sites de notícias. Arcos Design. Rio de Janeiro: PPD ESDI - UERJ. Volume 9 Número 2 Dezembro 2016. pp. 65-76. Disponível em: arcosdesign
  16. VANDERBILT, Tom. The science behind the Netflix algorithms that decide what you’ll watch next. Wired, July, v. 8, 2013.