/book-recommender-system

Sistema de Recomendação de Livros básico para teste de tecnologias em Machine Learning palicado à recomendação.

Primary LanguagePythonGNU General Public License v3.0GPL-3.0

Sistema de Recomendação de Livros

Este projeto é um sistema de recomendação de livros construído com Flask. Ele permite que os usuários se cadastrem, respondam a perguntas para indicar suas preferências e recebam recomendações de livros. Os usuários também podem avaliar livros e adicionar novos livros ao sistema.

O sistema de recomendação da aplicação foi projetado para sugerir livros aos usuários com base em suas preferências iniciais e nas avaliações que eles fazem de livros ao longo do tempo. Vamos detalhar como esse sistema funciona, quais algoritmos são usados e como eles são aplicados na prática.

Objetivo do Sistema de Recomendação

O objetivo principal do sistema de recomendação é sugerir livros aos usuários de acordo com seus interesses e preferências pessoais. Isso é feito em duas etapas principais:

Recomendação Inicial

  1. Quando um usuário se cadastra pela primeira vez, ele pode fornecer preferências iniciais (como gêneros ou temas de interesse). Com base nessas preferências, o sistema sugere um ou mais livros que podem ser de interesse do usuário. Recomendações Baseadas em Avaliações:

  2. À medida que o usuário avalia os livros que leu, o sistema ajusta suas recomendações futuras com base nessas avaliações. Livros que receberam boas avaliações de usuários com preferências semelhantes são recomendados.

Algoritmos Utilizados

Dois algoritmos principais de Machine Learning são usados para implementar esse sistema de recomendação.

Árvore de Decisão (Decision Tree) para Recomendação Inicial

A árvore de decisão é um algoritmo de aprendizado supervisionado usado para classificação e regressão. Ele funciona criando um modelo que prevê o valor de uma variável-alvo com base em várias variáveis de entrada. No contexto desta aplicação, a árvore de decisão é utilizada para classificar e sugerir um livro inicial com base nas respostas do usuário a um questionário inicial sobre suas preferências.

Funcionamento

  • O usuário responde a algumas perguntas iniciais (por exemplo, gênero preferido, autor favorito, etc.).
  • As respostas do usuário são convertidas em um vetor de características (features).
  • A árvore de decisão processa esse vetor de características e seleciona o livro que melhor corresponde às preferências do usuário.

K-Nearest Neighbors (KNN) para Recomendações Baseadas em Avaliações

K-Nearest Neighbors (KNN) é um algoritmo de aprendizado supervisionado utilizado para classificação e regressão. Ele funciona encontrando os k exemplos mais próximos no conjunto de dados e usando esses exemplos para fazer previsões. No contexto desta aplicação, o KNN é utilizado para recomendar livros com base nas avaliações que o usuário forneceu para livros anteriores.

Funcionamento

  • Cada vez que o usuário avalia um livro, essas avaliações são registradas e armazenadas no banco de dados.
  • O algoritmo KNN analisa essas avaliações e encontra usuários semelhantes (ou seja, usuários que avaliaram livros de maneira semelhante).
  • Com base nas avaliações de outros usuários semelhantes, o KNN recomenda livros que esses usuários gostaram, mas que o usuário atual ainda não leu.

Funcionalidades do sistema

  • Cadastro de usuários com perguntas de preferências
  • Recomendação inicial de livros usando árvore de decisão
  • Avaliação de livros pelos usuários
  • Adição de novos livros pelos usuários
  • Recomendação baseada em avaliações dos usuários

Fluxo do Sistema

  1. Cadastro do Usuário

O usuário se cadastra no sistema e responde a um questionário inicial sobre suas preferências. Com base nas respostas, a árvore de decisão recomenda um ou mais livros iniciais.

  1. Interação Contínua

À medida que o usuário lê e avalia os livros recomendados, o sistema registra essas avaliações. O algoritmo KNN utiliza essas avaliações para ajustar as recomendações futuras, tornando-as mais precisas e personalizadas ao longo do tempo.

  1. Adição de Novos Livros

Os usuários podem adicionar novos livros ao sistema, enriquecendo o banco de dados e melhorando as recomendações para outros usuários.

Tecnologias

  • Flask
  • SQLAlchemy
  • pandas
  • scikit-learn
  • PostgreSQL

Configuração

  1. Clone o repositório:

    git clone https://github.com/seu-usuario/recomendador_livros.git
cd recomendador_livros

  2. Crie um ambiente virtual e instale as dependências:

    python -m venv venv
source venv/bin/activate  # No Windows use `venv\Scripts\activate`
pip install -r requirements.txt

  3. Configure o banco de dados PostgreSQL no config.py.

  4. Execute as migrações do banco de dados:

    flask db init
flask db migrate -m "Migração inicial."
flask db upgrade

  5. Carregue os dados do dataset:

    python scripts/carregar_livros.py

  6. Inicie o servidor:

    flask run

  7. Acesse o sistema no navegador em http://127.0.0.1:5000.

Introdução aos Sistemas de Recomendação

Definição: Sistemas de recomendação são algoritmos que sugerem itens aos usuários com base em diversos critérios. Eles são amplamente usados para melhorar a experiência do usuário, aumentar o engajamento e as vendas.

Tipos de Sistemas de Recomendação

  1. Filtragem Colaborativa:

    • Usuário-usuário: Sugere itens que usuários semelhantes gostaram.
    • Item-item: Sugere itens similares aos que o usuário já gostou.

  2. Filtragem Baseada em Conteúdo:

    • Recomenda itens similares àqueles que o usuário já visualizou, baseado em características dos itens (gênero, autor, etc.).

  3. Filtragem Híbrida:

    • Combina métodos colaborativos e baseados em conteúdo para melhorar a precisão das recomendações.

Técnicas Comuns

  1. Modelos Baseados em Matriz de Fatoração:

    • Ex.: SVD (Singular Value Decomposition), que decompõe a matriz de interações em fatores latentes.

  2. Modelos Baseados em Redes Neurais:

    • Usam deep learning para capturar complexidades nas interações usuário-item.

  3. Modelos Baseados em K-Nearest Neighbors (KNN):

    • Usa proximidade para recomendar itens similares aos preferidos pelo usuário.

Implementação Básica

Para começar com um sistema de recomendação simples, podemos usar bibliotecas como Surprise ou TensorFlow em Python. Aqui está um exemplo básico usando Surprise:

from surprise import Dataset, Reader, SVD
from surprise.model_selection import cross_validate

# Carregando dados de exemplo
data = Dataset.load_builtin('ml-100k')

# Definindo o algoritmo
algo = SVD()

# Avaliando o desempenho usando cross-validation
cross_validate(algo, data, measures=['RMSE', 'MAE'], cv=5, verbose=True)

Aplicações Práticas

  1. Netflix: Usa uma combinação de filtragem colaborativa e modelos de aprendizado profundo.
  2. Amazon: Combina filtragem colaborativa, baseada em conteúdo e algoritmos de associação.
  3. Spotify: Utiliza redes neurais para analisar a música e recomendar novas faixas.

Desafios

  1. Cold Start: Dificuldade em recomendar para novos usuários ou itens.
  2. Escalabilidade: Manter desempenho com grandes volumes de dados.
  3. Privacidade: Balancear personalização com a proteção de dados dos usuários.

Referências

  • "Recommender Systems Handbook": Uma referência abrangente sobre o tema.
  • Coursera e Udemy: Cursos sobre sistemas de recomendação com implementação prática.
  • Artigos do IEEE: Publicações científicas com as últimas novidades na área.

Licença

Este projeto está licenciado sob a Licença GPLv3.