Sistema de Recomendação Híbrido e Interpretável
Sistemas de Recomendação híbridos geram recomendações combinando as informações coletivas de preferências do conjunto de usuários, como notas dadas aos produtos, e informações categóricas individuais dos usuários e produtos. Um modelo interpretável usando esses atributos podem enriquecer o valor das recomendações permitindo explicações sobre os motivos para um usuário consumir determinado item, e entender o comportamento de consumo dos usuários para planejamento de criação de novos produtos e campanhas de marketing. Entretanto, transformar atributos categóricos em numéricos costuma acrescentar a dimensionlidade dos dados e, consequentemente, aumentar o custo computacional. Nesse projeto, apresentamos um novo arcabouço de sistema de recomendação que consiste em diferentes passos de processamento com a característica principal de preservar a interpretabilidade final do modelo. A base desse arcabouço é o CARFRE, técnica que permite manter a dimensionalidade dos dados sem perda do significado original de cada atributo. Essa técnica será utilizada juntamente com algoritmos de Síntese de Funções Booleanas para encontrar novos atributos categóricos da composição dos já existentes sem perda de interpretabilidade. Outro passo é o agrupamento de dados que tanto pode permitir um maior número de modelos de predição com maior acurácia como a redução dos modelos de predição para um maior potencial de análise de comportamento,. E, finalmente, um módulo que traduzirá os modelos de predição para uma explicação das recomendações em linguagem natural e como geração de relatório de comportamento de consumo.