Análise comparativa de modelos de recomendação: Um estudo focado em filmes
Data
2024
Autores
Matheus Fernandes Cândido
Orientadores
Daniel Gomes Soares, Msc
Coorientadores
Avaliadores
Juliano Tonizetti Brignoli, Dr
Fábio Alexandrini, Dr
Fábio Alexandrini, Dr
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
O aumento da quantidade de produtos disponíveis, seja de forma digital ou física , torna necessário o desenvolvimento de aplicações que consigam recomendar os produtos mais adequados a diferentes perfis de consumidores. Neste trabalho, são avaliadas as técnicas de filtragem colaborativa e floresta aleatória para recomendação de filmes. Além disso, são investigadas formas de utilização das diferentes técnicas em conjunto (ensembles). Todo o desenvolvimento, treinamento e validações foram feitos com os dados do MovieLens Rating Disposition 2023, uma base de dados de filmes, usuários e suas avaliações, incluindo o momento em que a avaliação foi feita. Buscou-se aplicar somente algumas técnicas básicas de engenharia de recursos, sendo a única exceção a penalização das avaliações ao decorrer do tempo visando entender se, ao priorizar avaliações recentes, as recomendações ficaram mais assertivas. Os resultados obtidos demonstraram que penalizar pelo tempo não contribui para a melhora do modelo. Em grande parte dos testes, a precisão se manteve estável, mas a sensibilidade e f1-score caíram consideravelmente. O único momento em que houve pequeno ganho de desempenho foi para penalizações por semestre e ano com o uso de filtragem colaborativa. Nesse caso, a precisão apresentou leve aumento, mas foi equilibrada com queda equivalente das outras métricas.
Descrição
Palavras-chave
recomendação de filmes , filtragem colaborativa , floresta aleatória