Recomendação de filmes utilizando filtragem colaborativa

• Autor(a) principal: Giglio, Juliana Chaves
• Data de Publicação: 2014
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/14682
• topic: Filtragem colaborativa; Sistemas de recomendação; Sistema de recomendação; Filme cinematográfico

O número de páginas da Web destinadas à oferta de produtos a consumidores vem aumentando a cada dia mais com a expansão da Internet. Estas ofertas podem ser tanto de produtos materiais, como venda de objetos, roupas, eletrodomésticos, etc, como também de produtos conceituais, como oferta de artigos, filmes, músicas. Com esse aumento, a quantidade de informação sobre as preferências dos usuários também aumentou muito. Para que os sites consigam otimizar o número de procura de produtos, e consequentemente aumentar o número de usuários que os adquirem, é necessário saber utilizar estas informações a seu favor, e para isso foram criadas técnicas de recomendações de itens a usuários, os Sistemas de Recomendação. Cada um destes sistemas opera de uma maneira diferente, observando conjuntos de características dos bancos de dados. Neste trabalho utilizamos o Sistema de Recomendação chamado Filtragem Colaborativa, que recomenda itens a usuários com base na similaridade, que pode ser tanto entre usuários quanto entre itens. A partir de um banco de dados onde usuários avaliaram com notas uma lista de filmes assistidos, ocultamos algumas destas notas para que fossem utilizados os diversos desdobramentos desta metodologia e posteriormente avaliamos a qualidade de cada desdobramento, com base na comparação das notas reais com as preditas e no poder do sistema de identificar quais filmes os usuários gostariam para assim recomendá-los. Também comparamos formas diferentes de fazer estas avaliações. Foi possível perceber que considerando a similaridade entre filmes a notas foram mais bem estimadas, porém obtivemos melhores resultados para a recomendação considerando a similaridade entre usuários. Também notamos que cada forma de utilização testada da Filtragem Colaborativa possui seus pontos positivos e negativos, e a melhor forma de escolher qual abordagem deve ser utilizada é priorizando as características de interesse que se destacaram para cada uma delas