Home -> Sistema de Recomendações

Orientação

Sistema de recomendação de conteudo educacional individual

• O que quero recomendar?
  • Recomendar tópicos de conhecimento para cobrir gap's de aprendizagem.
• Como identificar os gap's?
  • Informado pelo usuário ou avaliação aplicada ao usuário.
• Design do layout da página LivroRecomendacao.html
• Gerar conteúdo da página LivroRecomendacao.html usando a IA.
• Criar página LivroRecomendacao.html
• Fazer curso de sistema de recomendação de item
• Modelar sistema de recomendação com base no exercicio do curso

Tipos de Modelos de recomendação

Modelos para análise de recomendação de conteudo educacional individual

• Filtragem Colaborativa: Este modelo analisa o comportamento passado do usuário e de outros usuários semelhantes para fazer previsões sobre quais recursos educacionais um usuário específico pode gostar ou achar útil.
• Filtragem Baseada em Conteúdo: Este modelo analisa as características do conteúdo educacional (como tópicos, tags, palavras-chave, etc.) e as preferências do usuário para fazer recomendações.
• Sistemas Baseados em Filtragem Colaborativa e Conteúdo: Combinação de filtragem colaborativa e baseada em conteúdo para aproveitar os pontos fortes de ambos os métodos e fornecer recomendações mais precisas e personalizadas.
  Características:
  • Utilizam técnicas de filtragem colaborativa para recomendar conteúdos que outros alunos com perfis semelhantes acharam úteis.
  • Utilizam técnicas baseadas em conteúdo para recomendar materiais semelhantes aos que o aluno já se envolveu positivamente.
  Exemplos:
  • Plataformas como EdX e Coursera que utilizam tanto filtragem colaborativa quanto baseada em conteúdo para recomendações.
• Aprendizado por Reforço: Este modelo envolve sistemas que aprendem com as interações do usuário com o conteúdo educacional, ajustando as recomendações com base no feedback recebido.
• Modelos de Fator Latente: Estes modelos reduzem a dimensionalidade dos dados, representando usuários e itens em um espaço de características de dimensão reduzida, permitindo prever a preferência de um usuário por um item com base em seus vetores de características.