Pesquisadores da Universidade de Twente e do CNRS realizaram recentemente um estudo que explora a relação entre as opiniões dos usuários e as recomendações personalizadas que recebem online. Em seu jornal, que foi pré-publicado no arXiv, eles propuseram um modelo delineando essa interação, em seguida, avaliou-o por meio de simulações extensas e uma análise matemática.

"Todos nós encontramos sistemas de recomendação em nossa vida diária, assim que entramos em contato na Internet, seja navegando no Facebook ou Twitter ou fazendo compras na Amazon, "Paolo Frasca, um dos pesquisadores que realizou o estudo, disse TechXplore. "Esses sistemas têm a tarefa de selecionar as informações que são mais relevantes para nós."

Essencialmente, os sistemas de recomendação são projetados para destacar um conteúdo online específico que corresponda às preferências de usuários individuais que navegam na Internet. Nos últimos anos, esses sistemas se tornaram cada vez mais populares, com muitas plataformas de mídia social e outros sites usando-os para aumentar o envolvimento do usuário, ou para anunciar produtos e serviços.

A pesquisa conduzida por Frasca e seus colegas teve como objetivo alcançar um melhor entendimento da interação entre as opiniões dos usuários e as recomendações personalizadas apresentadas pelos sistemas de recomendação. Como matemáticos, eles desenvolveram um modelo dinâmico de interconexão entre o usuário e o conteúdo recomendado.

"Nosso sistema de recomendação é muito simples, uma vez que tem apenas dois itens para escolher e é caracterizado por um único parâmetro, que chamamos de épsilon, "Frasca explicou." O sistema registra o quanto os itens foram apreciados (=clicados) no passado. A cada vez que ele tem que fazer uma recomendação, o sistema lança uma moeda (enviesada) que retorna cara com probabilidade épsilon (cauda com probabilidade 1-épsilon). "

Se o resultado desse lançamento de moeda for cara, o sistema recomenda o item de maior sucesso registrado em sua história; se mostra cauda, recomenda um item inteiramente aleatório. Este processo de randomização permite que os pesquisadores escolham 'épsilon' para garantir que o sistema equilibre efetivamente a diversidade e a precisão nas recomendações que fornece.

Seu modelo representa a interação entre um único usuário e um agregador de notícias online, de forma a desvendar o ciclo de feedback entre a evolução da opinião deste utilizador e as recomendações personalizadas. Presume-se que o usuário em questão tenha uma opinião escalar sobre um determinado problema, caracterizado por uma posição binária, e que essa opinião pode ser influenciada pelas notícias recebidas online. Tipicamente, acredita-se que o usuário tenha um viés de confirmação, o que significa que ela terá uma preferência por conteúdo que confirme sua opinião sobre um determinado assunto.

Os pesquisadores também presumem que o objetivo do sistema de recomendação é maximizar o número de cliques do usuário, e para alcançá-lo, ele precisa se comprometer entre explorar as preferências do usuário e explorá-las. Extensas simulações numéricas e uma análise matemática do modelo descobriram que os conteúdos personalizados e o viés de confirmação afetaram a evolução das opiniões do usuário, sendo a extensão desse efeito relacionada à eficácia do sistema de recomendação.

“Destacamos que os comportamentos do usuário e do sistema de recomendação se alimentam de tal forma que o comportamento do usuário é alterado, "Frasca disse." Ao mesmo tempo, o parâmetro epsilon fornece um botão para ajustar a quantidade de aleatoriedade e possivelmente mitigar o impacto na opinião do usuário. "

A pesquisa realizada por Frasca e seus colegas forneceu uma visão interessante sobre a relação entre as opiniões dos usuários e as recomendações personalizadas que eles recebem online. Contudo, esse insight ainda precisa ser validado antes que possa ser traduzido em recomendações de políticas. Os pesquisadores agora estão trabalhando para melhorar seu modelo, para garantir que reflete melhor os cenários da vida real.

"Nosso modelo é sobre um único usuário e dois itens possíveis, "Frasca disse." Claramente, na realidade, tanto os usuários quanto os itens são numerosos. Pretendemos estender o modelo para incluir uma rede social de usuários e uma multiplicidade de itens. Num sentido, nosso trabalho recente foi um trampolim para um modelo mais geral que é nosso próximo objetivo. "

© 2018 Tech Xplore