Memorial de projetos : regras de associação em sistemas de recomendação

Abstract

Resumo: No campo do aprendizado de máquina, o aprendizado não supervisionado destaca-se por sua capacidade de identificar padrões e estruturas ocultas em conjuntos de dados sem a necessidade de rótulos pré-definidos. Em vez de prever resultados conhecidos, seu objetivo é explorar os dados e extrair insights valiosos. Nesse contexto, os algoritmos de Regras de Associação, como o Apriori, surgem como ferramentas de alto impacto comercial, possibilitando a análise de grandes volumes de dados transacionais para descobrir relações frequentes entre itens, como produtos frequentemente adquiridos em conjunto. Esses algoritmos são amplamente utilizados como motores de sistemas de recomendação, contribuindo para o aumento das vendas no varejo. O presente parecer técnico avalia a aplicação das Regras de Associação com foco na geração de recomendações interpretáveis, utilizando métricas como suporte, confiança e lift para seleção das regras mais relevantes, ressaltando a importância da escolha adequada dos parâmetros para garantir eficiência e evitar a explosão combinatória. Conclui-se que a abordagem é eficaz na identificação de padrões de consumo e na construção de sistemas de recomendação automatizados

Abstract: In the field of machine learning, unsupervised learning stands out for its ability to identify hidden patterns and structures in datasets without the need for predefined labels. Rather than predicting known outcomes, its goal is to explore data and extract valuable insights. In this context, Association Rule algorithms, such as Apriori, emerge as tools with high commercial impact, enabling the analysis of large volumes of transactional data to discover frequent relationships between items, such as products commonly purchased together. These algorithms are widely used as engines behind recommendation systems, contributing to increased retail sales. This technical report evaluates the application of Association Rules with a focus on generating interpretable recommendations, using metrics such as support, confidence, and lift to select the most relevant rules. It emphasizes the importance of appropriately selecting parameters to ensure efficiency and avoid combinatorial explosion. It is concluded that this approach is effective in identifying consumption patterns and building automated recommendation systems