Análise comparativa de modelos de recomendação: Um estudo focado em filmes

Página do item simplificado
dc.contributor.advisorDaniel Gomes Soares, Msc
dc.contributor.authorMatheus Fernandes Cândido
dc.contributor.valuerJuliano Tonizetti Brignoli, Dr
dc.contributor.valuerFábio Alexandrini, Dr
dc.date.accessioned2024-05-15T20:29:08Z
dc.date.available2024-05-15T20:29:08Z
dc.date.issued2024
dc.description.abstractO 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.
dc.identifier.urihttp://200.135.58.21/handle/repositorio/154
dc.language.isopt
dc.subjectrecomendação de filmes
dc.subjectfiltragem colaborativa
dc.subjectfloresta aleatória
dc.titleAnálise comparativa de modelos de recomendação: Um estudo focado em filmes
dc.typeArticle
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC - Matheus Fernandes Cândido.pdf
Tamanho:
1.49 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Inteligência Artificial