Este repositório contém a implementação de um sistema de recomendação de produtos utilizando Machine Learning. O projeto foi desenvolvido para demonstrar como integrar sistemas transacionais com modelos de machine learning que realizam inferências em tempo real, oferecendo soluções práticas e eficientes para recomendação, seja para produtos em um e-commerce ou filmes em um sistema de streaming de vídeo.
O sistema combina uma estrutura modular que separa as responsabilidades de frontend, backend e machine learning, que permite explorar a interação entre diferentes componentes. Ele também exemplifica como conectar APIs ao modelo treinado.
Com este repositório, espera-se fornecer um exemplo claro e funcional de como aplicar técnicas de machine learning para melhorar a experiência do usuário e aumentar a eficiência de negócios baseados em dados.
⚠ AVISO SOBRE A ARQUITETURA: O desenho da solução apresentado neste repositório tem como objetivo exemplificar uma das várias abordagens possíveis para integrar aplicações transacionais com mecanismos de machine learning. Além dessa abordagem, também existem opções como inferências em batch ou micro-batch, que podem ser mais adequadas dependendo do caso de uso e dos requisitos específicos.
| Componente | Descrição |
|---|---|
| Front-End | Responsável por exibir os produtos, categorias e recomendações para os usuários. |
| Item API Cluster | API que gerencia os dados de produtos (leitura e escrita) no banco de dados. |
| Recommendation API | API que utiliza o modelo de machine learning para fornecer produtos recomendados. |
A aplicação está configurada para ser executada com Docker Compose. Siga os seguintes passos:
- Clone o repositório
git clone https://github.com/Waelson/recommendation.git
cd recommendation- Suba toda a stack
docker-compose up --build- Acessando a aplicação
- Digite a URL http://localhost:8080 no seu browser
- Navegue nas categorias e depois clique em um produto para visualizar as recomendações sendo feitas em tempo real pela aplicação Recommendation API.
⚠ AVISO: O modelo demonstrado neste repositório é apenas para testes e fins didáticos. Ele não deve ser utilizado em ambiente produtivo, pois não atende aos requisitos de segurança, escalabilidade e desempenho necessários para aplicações reais.
Para o treinamento do modelo de recomendação, utilizamos a abordagem de Filtragem Baseada em Conteúdo (Content-Based Filtering). Essa técnica analisa os atributos dos produtos, como descrições, categorias, preços e outras informações estruturadas, para identificar similaridades e oferecer recomendações.
- Representação dos Dados: Os produtos são representados como vetores numéricos em um espaço multidimensional, utilizando técnicas como TF-IDF para processar texto e normalização para atributos numéricos.
- Cálculo de Similaridade: A similaridade entre os produtos é calculada usando métricas como a Similaridade de Cosseno, permitindo identificar itens semelhantes ao produto selecionado.
- Inferência: Com base no produto consultado, o modelo retorna os itens mais similares, ordenados por relevância.
- Independência do Comportamento do Usuário: A recomendação é baseada nos atributos dos produtos, não dependendo de histórico de interações.
- Escalabilidade: Fácil de escalar para novos produtos, desde que as características estejam disponíveis.
- Explicabilidade: As recomendações podem ser facilmente explicadas com base nas similaridades entre os atributos.