A privacidade em sistema de recomendação é um importante desafios éticosSCHAFER, J. Bem; KONSTAN, Joseph; RIEDL, John. . Recommender Systems in e-commerce. In: I ACM Conference on Eletronic Commerce (EC - 99), 1999. Denver, Colorado, USA. Processos. In: Anais... Nova Iorque: ACM, 1999. p. 158-166. Disponível em: <http://www.grouplens.org/node/227> Acesso em: 16 abr. 2013.. Os sistemas de recomendação tentam persuadir os usuários a comprar tal item, essa persuasão é feita pelos criadores dos programas. Embora muitas recomendação sejam certeiras e muito bem vindas, alguns métodos aplicados podem ser anti-éticosBERDICHEVSKY, Daniel; NEUENSCHWANDER, Erik. . Toward an ethics of persuasive technology. 1999. Disponível em: <http://cseserv.engr.scu.edu/NQuinn/ENGR019_301Spring2002/ CACMEthics8.pdf>. Acesso em: 21 set. 2011., pois colhem informações de seus usuários, de forma explícita ou implícita, podendo ferir sua privacidade, e executa algoritmos que inferem outros itens que um determinado usuário provavelmente tenha interesse, o que facilita para o usuário, visto que ele não tem que procurar algo dentre inúmeras possibilidades disponíveis. Além disso, tal recomendação é de forma personalizada, o que aumenta bastante a probabilidade deste item ser do gosto do usuário, aumentando o interesse deste em permanecer no site. Neste processo de recomendação, além das informações do usuário que receberá a recomendação, também são utilizadas informações explícita ou implícitas de diversos outros usuários, violando também a privacidade destes.
Tanto o site, quanto o usuário ganham com a recomendação, por exemplo, em um site de e-commerce o vendedor vende mais e mantêm o cliente no site, o comprador tem seu tempo de busca pelo produto reduzido e o produto que ele recebe como recomendação normalmente é um que realmente seja do seu interesse.
Exemplos de sistemas de recomendação Os sistemas de recomendação são pervasivos: onde você estiver na Web, haverá um sistema de recomendação. Se comprando produtos, locando filmes, ouvindo música, em redes sociais de amizade, entre outros.CALANDRINO, Joseph A.; KILZER, Ann; NARAYANAN, Arvind; FELTEN, Edward W.; SHMATIKOV, Vitaly. . “You Might Also Like:” Privacy Risks of Collaborative Filtering, IEEE Symposium on Security and Privacy. Recomendações estão sempre sendo feitas a partir de padrões de comportamento identificados para um determinado usuário.
Os sistemas de recomendação são usados em sites de diversos propósitos, como, por exemplo: e-commerce: produtos são recomendados (exemplo: Amazon); amizades: onde é recomendado um amigo (exemplo: Facebook); acadêmico: onde é recomendado artigos e/ou co-autores (exemplo: Mendeley); musical: músicas são recomendadas, baseada no perfil de seus amigos (exemplo: Last.fm); filmes: filmes são recomendados (exemplo: Netflix);
Sistemas de Recomendação x Privacidade digital Através dos sistemas de recomendação, é agregado valor ao relacionamento cliente e site. Os sites investem no aprendizado sobre os usuários para melhor o servir, personalizando seu atendimento (em relação à interface e produtos). O usuário optará pelo que melhor suprir suas necessidades. Quanto mais o usuário utiliza o sistema, mais informação estará sendo registrada para que o site seja moldado para o cliente, fazendo com que o cliente se torne fiel ao site. Mesmo que existam outros sites concorrentes, os clientes normalmente não irão querer mudar de site, pois terá que ensinar a outro site sobre ele, o que demandaria tempo. Sendo um usuário assíduo a um site, incentivaria outras pessoas a participar do site.
Alguns sistemas de recomendação apresentam, além da recomendação, explicações de como se chegou a tal recomendação. Para que um sistemas faça a devida recomendação, ele precisa de informações, sejam informações sobre a pessoa, sobre o item a ser recomendado, ou sobre os outros participantes do site. Neste contexto, alguns questionamentos começam a surgir por parte do usuário, como: como se chegou a tal recomendação? Quais informações minhas o sistemas está observando para se chegar a tal recomendação? Quais informações dos outros usuários estão sendo usadas para se chegar a tal recomendação? O que mais o sistema pode inferir sobre mim dentro das informações que eles já têm? Porque mapeando algumas informações que já se tem sobre mim, pode-se chegar a muitas outras. Quais informações sobre mim estão sendo usadas para fazer recomendações a outros usuários? Minhas informações estão sendo expostas, mesmo que de forma direta/indireta?
Entre outros questionamentos. A partir de tais perguntas, começa-se a pensar se a privacidade do usuário está sendo violada, se há privacidade digital. Ao responder os questionamentos apresentados, aponta-se para a violação da privacidade dos usuários. Acerca disso, muitos trabalhos já foram publicados CARDOSO, Camila M.; REIMAO, Sandra; MARQUES, Jane. . Privacidade e ética nos Sistemas de Recomendação para e-commerce: uma breve reflexão, Mídia Cidadã. REMAKRISHNAN, Naren; KELLER, Benjamin J., MIRZA, Batul J., GRAMA, Ananth Y., KARYPIS, George. . Privacy Risks in Recommender Systems, Internet Computing IEEE. ARMKNECHT, Frederik, STRUFE, THorsten. . An Efficient Distributed Privacy-preserving Recommendation System. The 10th IFIP Annual Mediterranean Ad Hoc Networking Workshop. MCSHERRY, Frank; MIRONOV, Ilya. . Differentially Private Recommender Systems: Building Privacy into the Netflix Prize Contenders. KDD’09, June 28–July 1, 2009, Paris, France. concluindo-se que muitas pessoas estão interessadas no risco de se perder a privacidade em sistemas de recomendação.
É mais barato manter um usuário do que conquistar outro,BLACKWELL, R. D.; MINIARD, P. W.; ENGEL, J. F. . Comportamento do Consumidor. 9ª ed. São Paulo: Cengage Learning, 2008. por isso deve-se ter cuidado em relação ao conforto ou desconforto do usuário em relação a uma recomendação recebida, se o usuário sente que sua privacidade foi invadida ou não. Isso é importante, pois o marketing de pares (no processo “boca-a-boca”) pode acabar com a fama de uma empresa ou fazer com que outros adiram ao site. Usuários insatisfeitos podem fazer reclamações formais ou entrar com um processo contra a empresa.
A privacidade também é hoje uma preocupação dos jovens, que são uma parcela importante dos consumidores atuais. Estudos mostram que os Centennials estão mais preocupados em terem comportamentos mais seguros e evitarem arriscar a própria privacidade online. No Brasil, 90% dos jovens se dizem preocupados com a segurança dos seus dados digitais e a sua privacidade na rede mundial de computadores, bem mais que a média mundial, de 76%.
Obtendo informações do usuário Sobre como os sites obtêm informações sobre o usuário, há duas formas: Identificação no servidor: em geral, é a área de cadastro, onde os usuários informam explicitamente suas informações, sentindo-se menos invadido, visto que as informações estão sendo cedidas com seu consentimento. Identificação no cliente: as informações do cliente são guardadas através de cookies, o que diferencia um usuário de outro, diferenciando o IP. Apesar dos cookies não serem necessariamente ruins, é através deles onde pode haver a invasão de privacidade.
A coleta de informações implícita dos usuários através dos sites é o que gera alguns conflitos acerta da privacidade.
Tipos de Sistemas de Recomendação Um sistema de recomendação pode ser classificado como: Baseado em conteúdo: a recomendação é feita baseada no perfil do usuário e suas transações passadas, apenas. Esse tipo de recomendação não põe a privacidade do usuário em risco, já que não são utilizadas informações sobre o perfil e ações de outros usuários para realizar a recomendação. Por exemplo, o site Peixe Urbano, que apresenta diversas promoções ao usuário fazem isso baseado nos dados informados explicitamente pelo usuário, como por exemplo: cidade da oferta, categoria da oferta (gastronomia, turismo, moda etc.). Colaborativa: a recomendação é feita observando a relação entre itens baseado nas preferências de todos os usuários. Para um dado usuário, o sistema encontra outros usuários com um histórico de transações semelhantes. É neste tipo de recomendação onde pode ocorrer a violação de privacidade do usuário. Um exemplo é o MovieLens, onde os usuários inserem pontuações para os filmes e essa pontuação é utilizada para encontrar pessoas com gostos semelhantes, assim seria recomendado um filme já assistido por uma pessoa do grupo para outras do mesmo grupo que ainda não assistiu tal filme. Nota-se aí que informações de outras pessoas estão sendo usadas para recomendar algo a uma determinada pessoa. Semelhantemente o site da Livraria Cultura apresenta a recomendação de um determinado livro da seguinte forma: “quem comprou este produto também comprou...”. Híbrida: ambas as abordagens citadas anteriormente são usadas, como por exemplo o Last.fm.
Estratégias de recomendação Também são observadas algumas estratégias de recomendação: (i) usuário-item: o sistema recomenda um item para um usuário baseado em seu perfil; (ii) usuário-usuário: o sistema ajuda o usuário a encontrar um usuário no qual ele tenha interesse; considerado um método invasivo; iii) item-item: dado um item, o sistema sugere itens semelhantes, ou seja, através do “quem comprou este item também comprou o item tal”. Um sistema de recomendação pode prover mais de uma forma de recomendação, como, por exemplo, o Last.fm, que faz recomendações item-item e usuário-usuário: uma música semelhante às músicas que o usuário ouve; um usuário que tem um perfil musical semelhante ao dele. Embora algumas estratégias não sejam necessariamente invasivas em relação à busca pelo perfil de diversos usuários, acaba sendo invasivo quando os sites apresentam informações que não precisariam estar lá, como é o caso do Last.fm, onde é apresentado quantas vezes cada usuário ouviu a uma certa música.
Expondo o usuário Devido à enorme quantidade de usuários nos sistemas e ao seu grande número de transações por usuário, pode-se pensar que não há como tirar informações significativas sobre transações de usuários específicos, o que é um engano. Os sistemas de recomendação em muitas situações são considerados invasores de privacidade, devido à coleta e armazenamento de dados. Para piorar, algumas empresas disponibilizam ou vendem seus bancos de dados para gerar estatística, entre outros, podendo muitos dados dos usuários serem cruzados e colher muitas outras informações sobre os usuários. Também pode aumentar a quantidade de spams. O ato de muitas empresas venderem seu banco de dados gera um desconforto para muitos compradores do e-commerceCOSTA, Cristiane Salomé Ribeiro da; LUCIAN, Rafael. . A logística reversa e sua influência no risco percebido em um ambiente de compra. Revista de Administração da UNIMEP, v. 6, n. 2, p. 103-121, mai/ago 2008. Disponível em: <h ttp://raunimep.com.br/ojs/index.php/ regen/article/view/40 >. Acesso em: 16 abr. 2013..
Frequentemente as listas de similaridade de itens estão presentes em sites que não tem a recomendação usuário-item, como: New York Times e CNN. A Amazon não apenas apresenta os itens mais populares, mas também apresenta a porcentagem de pessoas que comprou um outro item Y depois de ver o item X. O Last.fm apresenta o número de pessoas que ouviu a música e quantas vezes cada um a ouviu. O LibraryThing ao apresentar uma lista de livros em comum, também informa o número de usuário que tem ambos os livros. O Twitter também disponibiliza uma API (Application Programming Interface) onde os programadores podem acessar todos as postagens com uma determinada palavra chave, e para cada pessoa que postou aquele comentário, é possível acessar as últimas postagens daquela pessoa, por exemplo.
Ataque à privacidade A natureza do ataque à privacidade tem duas componentes: Usar explicações das recomendações para deduzir conexões;