Questão de Tecnologia da Informação · FGV CGE-SP 2025 (nº 93)

Sistemas de recomendação são como "consultores" que sugerem itens (produtos, serviços, filmes) que podem ser interessantes para um usuário, baseados em diferentes estratégias.

(A) Incorreta: A afirmação I está correta, mas não é a única.
(B) Incorreta: A afirmação II está incorreta. A Filtragem Colaborativa não é robusta ao problema de Cold Start.
(C) Correta: As afirmativas I e III estão corretas.
(D) Incorreta: A afirmação II está incorreta.
(E) Incorreta: A afirmação II está incorreta.

Análise das Afirmativas:

I. As Regras de Associação como a Apriori são avaliadas pelo Suporte, Confiança e Lift, sendo o Lift maior que 1 o indicador da força da associação por considerar a frequência esperada das ocorrências.

• Correta. As Regras de Associação, popularizadas pelo algoritmo Apriori, são de fato avaliadas por essas três métricas:
  • Suporte: Indica a frequência com que um conjunto de itens aparece no conjunto de dados.
  • Confiança: Mede a probabilidade de um item Y ser comprado, dado que um item X foi comprado (P(Y|X)).
  • Lift: É uma métrica crucial que avalia a força da associação entre X e Y. Um valor de Lift maior que 1 significa que a ocorrência de X aumenta a probabilidade da ocorrência de Y, mais do que se Y ocorresse por acaso. Ou seja, eles aparecem juntos com mais frequência do que o esperado, indicando uma associação positiva e forte. Se o Lift for igual a 1, não há associação; se for menor que 1, há uma associação negativa.

II. A Filtragem Colaborativa é uma técnica robusta ao problema de Cold Start (novos usuários/itens), uma vez que não depende do histórico de interações.

• Incorreta. Esta afirmação é o oposto da verdade e é a armadilha da banca. A Filtragem Colaborativa (FC) depende fundamentalmente do histórico de interações entre usuários e itens para fazer suas recomendações.
  • Problema de Cold Start: Refere-se à dificuldade de recomendar para novos usuários (que não têm histórico de interações) ou novos itens (que ainda não foram avaliados/interagidos por ninguém).
  • Por que a FC sofre com Cold Start: Se um usuário é novo, a FC não tem dados para encontrar usuários "semelhantes" a ele ou para inferir suas preferências. Da mesma forma, se um item é novo, ele não terá interações, e a FC não poderá recomendá-lo porque não sabe quem o gostou ou a quais outros itens ele é "semelhante" com base nas interações. Outras técnicas, como a recomendação baseada em conteúdo, são mais adequadas para lidar com o Cold Start.

III. Sistemas de recomendação do tipo Content-Based têm o risco de criar uma câmara de eco porque tendem a recomendar apenas itens com características muito semelhantes às interações passadas do usuário.

• Correta. Os sistemas de recomendação baseados em conteúdo (Content-Based) funcionam analisando as características dos itens que um usuário gostou no passado e, em seguida, recomendando outros itens com características semelhantes.
  • Câmara de Eco (ou Bolha de Filtro): É um fenômeno onde o usuário é exposto apenas a informações que confirmam suas crenças ou gostos existentes, limitando sua exposição a novas ideias ou tipos de itens.
  • Risco no Content-Based: Como esses sistemas focam na similaridade de atributos, eles podem acabar recomendando sempre o "mesmo tipo" de coisa (ex: se o usuário gosta de filmes de ação, só recomendarão filmes de ação), impedindo a descoberta de novos gêneros ou categorias e criando essa "câmara de eco".