Simulação Baseada Em Agentes De Um E-commerce Com Estratégia Adaptativa Usando Aprendizado Por Reforço Para Seleção De Produtos

Este trabalho propõe a implementação de um algoritmo com aprendizado por reforço para seleção de produtos a serem exibidos na vitrine de um e-commerce em mar aberto, no qual não se conhece previamente o perfil dos visitantes. O trabalho buscou apresentar uma solução computacional para a seleção de um grupo de produtos que proporcionem um nível aceitável de satisfação dos consumidores, representados por agentes computacionais que navegam em um e-commerce. Uma base de dados real com 1.000 produtos foi incorporada em um sistema multiagente que simula a navegação dos agentes consumidores. Os perfis dos agentes usados foram definidos por meio de pesquisa com 136 pessoas. Os resultados obtidos indicam que o algoritmo de aprendizagem por reforço proposto foi capaz de selecionar e ordenar produtos de forma a manter e melhorar as satisfações dos grupos de agentes presentes no ambiente. Quando os agentes simulados pertencem a apenas um grupo, o algoritmo ordenou os produtos com características daquele grupo nas primeiras posições e, quando existem agentes de vários grupos, o algoritmo ordenou os produtos de forma a satisfazer os agentes do ambiente de maneira mais igualitária, maximizando a satisfação média global.