1. Introdução

Há pesquisadores, a exemplo de (^{Nunes & Hu, 2012}) e (^{Tkalčič, 2018}), indicando que a personalidade humana relaciona-se à tomada de decisões e às preferências do indivíduo e, portanto, deve ser considerada no projeto de Sistemas de Recomendação. Tais sistemas, cada vez mais populares na Internet, tornaram-se uma alternativa para auxiliar os usuários na obtenção de itens compatíveis com o seu perfil (^{Bobadilla et al., 2013}) (^{Valdiviezo-Diaz et al., 2020}). Segundo (^{Patro et al., 2020}), o advento dos Sistemas de Recomendação é uma fonte de lucro e aprimoramento constante no setor de comércio eletrônico.

Pessoas com personalidade semelhante tendem a ter interesses e preferências semelhantes (^{Hu & Pu, 2011}) (^{Nunes & Hu, 2012}) (^{Yang & Huang, 2019}). Essa perspectiva relaciona-se ao aspecto de vizinhança de uma das técnicas de recomendação mais populares: a Filtragem Colaborativa - FC (^{Aggarwal et al., 2016}) (^{Bobadilla et al., 2013}).

Com os avanços nos estudos sobre inferência automática da personalidade humana, é possível, atualmente, um Sistema de Recomendação abranger algum serviço (a exemplo do IBM Watson Personality Insights, por meio de análises linguísticas) e obter dados referentes à personalidade dos seus usuários, de maneira relativamente simples. Assim, torna-se mais prático implementar estratégias de recomendação, baseadas em personalidade, em aplicativos do mundo real, como comércio eletrônico (^{Srivastava, Bala & Kumar, 2017}).

As pesquisas promissoras iniciais envolvendo recomendação baseada em personalidade avaliaram as suas abordagens obtendo os dados concernentes à personalidade de um indivíduo via questionários. Embora seja comum, mesmo que indiretamente, os consumidores desejarem receber informações que, cada vez mais, satisfaçam as suas expectativas, eles não estão interessados, na maioria das vezes, em responder a questionários (^{Jaques & Nunes, 2019}). Portanto, convêm-se questionar se aqueles resultados promissores das pesquisas iniciais se mantêm ao usar tais abordagens, atualmente, com dados de sistemas reais e inferência automática de personalidade.

Considerando-se esse contexto, o objetivo inicial do estudo descrito neste artigo consistiu em avaliar - usando o serviço IBM Watson Personality Insights - algumas abordagens de FC relevantes na literatura referente a Sistemas de Recomendação baseados em Personalidade (avaliados anteriormente com menos usuários e itens, e com a detecção de personalidade via questionários). Além disso, a partir dessas abordagens de recomendação, outro objetivo consistiu em elaborar e avaliar novas abordagens, considerando-se também modelos de personalidade menos populares na literatura.

Em síntese, os resultados indicaram que, ao comparar com a abordagem tradicional de FC (com vizinhança definida enfocando os ratings dos usuários), é possível ter melhoria referente à relevância (acurácia) das recomendações ao empregar uma das abordagens analisadas de FC, com vizinhança definida com base na personalidade dos usuários - inferida via IBM Watson Personality Insights. Tais abordagens consideraram três modelos distintos de personalidade (Big Five, Needs e Values). Os resultados não indicaram haver sempre melhorias ao usar mais dados referentes à personalidade (a exemplo de usar os dados dos três modelos conjuntamente). Os melhores resultados, em termos gerais, foram proporcionados ao empregar apenas o modelo Values, ou apenas o modelo Big Five (sem precisar usar os dados das facetas particulares a este modelo).

O restante deste artigo está organizado da seguinte forma. Na Seção 2, é abordado o referencial teórico, incluindo comentários sobre pesquisas relacionadas. Na Seção 3, apresenta-se a metodologia experimental empregada. Na Seção 4, são discutidos os resultados do estudo. Por fim, na Seção 5, são apontadas propostas de estudos futuros e as conclusões.

2. Referencial Teórico e Estudos Relacionados

Nas seguintes subseções, são comentados estudos relacionados e conceitos fundamentais referentes ao estudo apresentado neste artigo.

3. Metodologia

Com base nos objetivos do estudo (definidos na Seção 1), para comparar o desempenho das abordagens de recomendação (detalhes na Subseção 3.2), foram utilizadas as métricas MAE (Mean Absolute Error) e RMSE (Root Mean Square Error), bastante utilizadas em pesquisas sobre Sistemas de Recomendação (^{Aggarwal et al., 2016}). As abordagens com os menores valores de MAE e RMSE representam as abordagens que mais se aproximam da “opinião” dos usuários-alvos da recomendação. Para analisar esses valores, foram utilizados estes testes estatísticos: ANOVA, Kruskal-Wallis, T e Mann-Whitney U (^{Boslaugh, 2012}).

Para a análise experimental, foi empregado o método Random Subsampling (^{Han, Pei & Kamber, 2012}), sendo divididos aleatoriamente, por 50 vezes, os dados de cada dataset em dois subconjuntos: um para treinamento (2/3 dos dados) e outro para teste (1/3 dos dados). Os datasets utilizados estão descritos na Subseção 3.1.

4. Discussão dos Resultados

A fim de verificar o desempenho das abordagens, para cada dataset, e para cada bloco referente à variação de FC (Hu&Pu, TkalčičEtAl-public, TkalčičEtAl-neighbours), foram inicialmente realizadas análises com base na ANOVA e no teste Kruskal-Wallis.

No dataset TripAdvisor, ao analisar cada bloco, não foi possível considerar que houve diferença estatística referente aos valores de RMSE e de MAE. Ou seja, não houve diferença entre RB, PB e RPBL (independentemente dos modelos de personalidade considerados em PB e RPBL). Com o teste Kruskal-Wallis, por exemplo, todos os p-valores obtidos foram maiores que 0,99. Tal resultado estimulou considerar também a variação do dataset denominada TripAdvisor-Full; adicionalmente, para TripAdvisor e TripAdvisor-Full, foram realizadas execuções também com K=25; todavia, em nenhum desses cenários houve diferença estatística entre as abordagens em análise.

Para ilustrar esse aspecto, na (Figura 1), são apresentados os boxplots das abordagens no cenário com o dataset TripAdvisor-Full, variação Hu&Pu e K=5. Na (Figura 1) e também na (Figura 2), foram associadas cores às abordagens: marrom para RB; vermelho para B--PB e B--RPBL (abordagens com Big Five, sem facetas); laranja para Bf--PB e Bf--RPBL (abordagens com Big Five, com facetas); azul para N--PB e N--RPBL (abordagens com Needs); verde para V--PB e V--RPBL (abordagens com Values); e rosa para V-N-Bf--PB e V-N-Bf--RPBL (abordagens com todos os modelos, incluindo as facetas do Big Five). As abordagens PB estão apresentadas com um tom de cor levemente mais claro que RPBL. Destaca-se que, mesmo sem diferença estatística significativa, na (Figura 1), é mostrado que a abordagem com maior mediana (pior desempenho) foi RB - cor marrom.

Figura 1 Boxplots referentes ao dataset TripAdvisor-Full (variação Hu&Pu e K=5) 

Por outro lado, para o dataset Amazon Fine Foods (cujo número de usuários e ratings é expressivamente maior que o dataset TripAdvisor), confirmou-se, a partir da ANOVA e do teste de Kruskal-Wallis, que as abordagens obtiveram desempenhos diferentes (p-valor < 2,2e-16). Neste caso, para os valores obtidos pelas abordagens para as métricas de avaliação (RMSE e MAE), foram analisados os boxplots, os intervalos de confiança para as médias das métricas, com nível de significância de 0,05, e executados, par a par, testes T e Mann-Whitney U. Na (Figura 2), são apresentados os boxplots (os intervalos de confiança não foram apresentados devido à limitação de páginas desta publicação).

Em todos os cenários, o pior desempenho (valores maiores de RMSE e MAE) foi proporcionado por RB, o que corrobora com outros estudos, a exemplo de (^{Hu & Pu, 2011}) e (^{Srivastava, Bala & Kumar, 2017}). Por outro lado, a utilização dos modelos de personalidade proporcionou resultados “não padronizados” nos cenários (ou seja, as abordagens com determinado modelo não resultaram sempre em melhor ou pior resultado quando comparadas às abordagens com os outros modelos). Além disso, RPBL não foi melhor que PB em todos os cenários.

Com a variação Hu&Pu, as abordagens aplicando RPBL não proporcionaram resultados melhores (em ambas as métricas) que as abordagens aplicando PB. Nas adaptações de RPBL para TkalčičEtAl-neighbours e TkalčičEtAl-public, houve melhor desempenho de RPBL, em relação a PB, ao analisar dois usos específicos de modelos (Bf e V-N-Bf), mas apenas para a métrica MAE. Considerando-se que RPBL é mais custoso computacionalmente que PB - como indicado por (Hu & Pu, 2011) - e houve poucos cenários de ganhos de RPBL em relação a PB, os resultados indiciam não ser tão útil, para a melhoria da acurácia, mesclar as duas formas de se definir a vizinhança (PB e RB), que é o foco de RPBL.

Figura 2 Boxplots referentes aos dados obtidos com o dataset Amazon Fine Foods 

Ao analisar o impacto dos modelos nas abordagens, em relação à variação Hu&Pu (para ambas as métricas, e tanto em PB quanto em RPBL), percebeu-se um desempenho melhor com B (modelo Big Five) e V (modelo Values), seguido de N (modelo Needs). Isso implica dizer que, com a variação Hu&Pu, as abordagens usando o modelo Values, ou o modelo Needs, proporcionaram melhores resultados que as abordagens incluindo as facetas do modelo Big Five (Bf), também não sendo útil compor o perfil de personalidade dos usuários com os três modelos de forma conjunta (V-N-Bf).

Em relação às variações TkalčičEtAl-neighbours e TkalčičEtAl-public, as abordagens com B e V continuaram tendo desempenhos semelhantes, mas não houve “padronização” nos resultados proporcionados pelas abordagens usando outros modelos. Por exemplo: as abordagens com os modelos Bf e V-N-Bf foram melhores, ao analisar com a abordagem RPBL e a métrica MAE; mas isso não se repetiu ao analisar a métrica RMSE. Nesse sentido, não é possível ressaltar veementemente a utilização de determinado modelo em relação aos demais.

Todavia, ao analisar os valores de MAE e RMSE obtidos com as variações Hu&Pu, TkalčičEtAl-neighbours e TkalčičEtAl-public, os menores valores (melhores resultados) foram referentes à variação Hu&Pu. Ademais, é pertinente reforçar que (^{Tkalčič et al., 2009}) é um estudo menos recente, e, nos cenários da variação Hu&Pu, houve consistência (“padronização”) nos resultados - em ambas as métricas (MAE e RMSE) e em ambas as abordagens aplicando personalidade (PB e RPBL). Considerando-se esses aspectos no estudo comparativo realizado, é indiciada a utilidade do modelo Values na recomendação baseada em personalidade, além do popular Big Five, mas sem incrementá-lo com os dados das suas facetas e/ou com os dados dos outros modelos analisados.

5. Conclusão e Considerações Finais

Não é habitual encontrar pesquisas incorporando dados referentes à personalidade dos usuários em abordagens propostas para Sistemas de Recomendação, especialmente em determinados domínios de aplicação, como o caso de produtos alimentícios (dataset Amazon Fine Foods), e sem usar questionários para a inferência da personalidade.

Diferentemente das tradicionais abordagens de recomendação via FC baseadas essencialmente nos ratings (rating-based), as abordagens baseadas em personalidade (personality-based) recomendam os itens - calculados como os melhores para o usuário-alvo - dando importância às características de personalidade dos outros usuários do sistema.

Embora tenha havido diferenças no valor médio, o uso de nenhuma das duas variações do dataset TripAdvisor, consideradas neste estudo, apresentou diferenças estatísticas significativas para indicar que usar PB ou RPBL é melhor que usar RB. Em tal dataset, todas as abordagens (independentemente do modelo de personalidade utilizado) proporcionaram resultados equivalentes.

Todavia, houve diferenças significativas com o uso do dataset Amazon Fine Foods, que possui uma quantidade expressivamente maior de usuários e ratings que o dataset TripAdvisor. Assim, é possível concluir que os resultados obtidos (com o uso de dados de personalidade inferidos automaticamente) corroboram com os resultados apresentados anteriormente (em pesquisas usando questionários), em relação ao uso dos dados de personalidade tender a melhorar a abordagem tradicional de FC baseada essencialmente em ratings.

Além disso, em relação à comparação referente ao uso de diferentes modelos de personalidade (com dados inferidos via análise textual dos reviews dos usuários da Amazon), é possível concluir que: (i) o uso isolado do modelo Needs, dentre os avaliados, foi o menos promissor, mas ainda sendo melhor usá-lo em vez de não usar dados de personalidade; (ii) o uso do modelo Values foi equivalente ao uso do modelo Big Five, comumente usado na área; (iii) o uso do modelo Big Five, com os dados das facetas, não proporcionou resultados melhores quando comparado, em geral, com o uso do modelo de modo menos completo (sem dados das facetas); e (iv) o uso de dados dos modelos Big Five, Values e Needs, de maneira conjunta, não proporcionou resultados melhores, em termos gerais, que considerar unicamente o modelo Big Five (sem facetas) ou o modelo Values.

Os algoritmos de FC podem ser categorizados como baseados em vizinhança (neighborhood-based ou memory-based) ou baseados em modelo (model-based) (^{Aggarwal et al., 2016}). Embora seja mais comum encontrar pesquisas usando modelos de personalidade em abordagens baseadas em vizinhança, pesquisas recentes têm considerado a aplicação de personalidade em abordagens que utilizam, por exemplo, fatoração de matrizes, como (^{Yakhchi et al., 2020}). Portanto, indica-se, como estudo futuro, analisar a influência da inclusão das características de personalidade, inferidos de maneira automática, em abordagens model-based de FC. Em (^{Yakhchi et al., 2020}), por exemplo, só é empregado o modelo Big Five, sendo adequado analisar possíveis melhorias ao usar outros modelos de personalidade. Por outro lado, é conveniente salientar a dificuldade de implementar estratégias model-based com base apenas nas descrições apresentadas em determinados artigos.

Embora o estudo comparativo realizado tenha focado em FC, é adequado considerar aspectos que podem ser obtidos com outras técnicas concernentes a Sistemas de Recomendação, especialmente para alguns domínios de aplicação. Assim, indica-se que as abordagens analisadas podem ser úteis como parte de uma estratégia de recomendação híbrida mais abrangente, que considere, por exemplo, a popularidade dos itens (^{Aguiar, Fechine & Costa, 2015}), as tendências de avaliação dos usuários/itens (^{Aguiar, Fechine & Costa, 2018}), e uma análise afetiva do contexto social dos usuários (^{Barragán, Chanchí & Campo, 2020}).

Assim como indicado em outro estudo recente dos autores (^{Aguiar, Fechine & Costa, 2020}), a principal justificativa para usar o IBM Watson Personality Insights, neste estudo, consistiu em visar à obtenção de resultados com um serviço que as empresas possam incorporar facilmente ao seu sistema de recomendação. Assim, os autores almejam estimular outros estudos e aplicações a usarem tal serviço (que é um meio facilitador para inferir a personalidade das pessoas e, por conseguinte, incorporá-la em propostas para sistemas reais de recomendação).

Uma limitação associada a isso consiste em o IBM Watson Personality Insights ainda não analisar textos em língua portuguesa (os idiomas suportados para a análise de textos, atualmente, são: inglês, espanhol, japonês, coreano e árabe). Ainda é difícil encontrar sistemas que inferem a personalidade de um indivíduo analisando os seus textos escritos em língua portuguesa (^{Jaques & Nunes, 2019}). Todavia, há pesquisas avançando nessa área, a exemplo de ^{Ferreira et al. (2020}), que exploraram o uso de processamento de linguagem natural para detectar automaticamente os traços de personalidade do modelo Big Five a partir de textos em língua portuguesa.

Considerando-se que, segundo (^{Aguiar, Fechine & Costa, 2019}), há indícios que os traços do modelo Big Five podem influenciar de modo diferente o processo de recomendação, pretende-se, como estudo futuro, expandir este estudo comparativo atribuindo pesos diferentes aos componentes de cada um dos modelos de personalidade empregados. Além disso, é pertinente realizar futuras investigações com outros datasets (incluindo outros domínios de aplicação) e com outros focos de avaliação, a exemplo de analisar a novidade e a explicabilidade das recomendações.

Por fim, reforça-se que, com este estudo comparativo, pretende-se contribuir com a área de Sistemas de Recomendação ao apontar os resultados de reavaliar algumas abordagens precursoras - e de avaliar novas abordagens - baseadas na personalidade dos usuários, abrangendo três modelos diferentes de personalidade, sem necessidade de preencher questionários. Ademais, pretende-se, com esta publicação, continuar estimulando outros pesquisadores à realização de estudos referentes a Sistemas de Recomendação baseados em Personalidade.