• Informações do Trabalho

Titulo CineMatch: A self-adaptive architecture for a content recommendation system Subtítulo Autor VITÓRIA NATÁLIA SILVA CAETANO Orientador JOSE MARIA NAZAR DAVID Resumo Sistemas de recomendação são cruciais em ambientes digitais, especialmente em serviços de streaming de filmes, através dos quais eles aumentam o engajamento do usuário pelas de sugestões de conteúdo personalizadas. Sistemas tradicionais frequentemente enfrentam desafios com preferências dinâmicas dos usuários e o problema de início frio (cold start), onde dados limitados sobre novos usuários ou itens prejudicam o desempenho. Esta pesquisa introduz o CineMatch, uma arquitetura de recomendação autoadaptativa que alterna a recomendação dinamicamente entre um modelo de rede neural (Keras) e um modelo de vizinhos mais próximos (KNN) com base em métricas de RMSE (Erro Quadrático Médio Raiz) em tempo real. Ao aproveitar os pontos fortes de ambos os modelos, o CineMatch mantém alta precisão e se adapta às preferências evolutivas dos usuários e aos novos conteúdos. O objetivo desta pesquisa é desenvolver uma estrutura híbrida e adaptativa em formato modular. Para isso, implementaremos uma aplicação web destinada a analisar a viabilidade do estudo e aprimorar a eficiência das recomendações. A aplicação será projetada para maximizar a adaptabilidade e a escalabilidade no tratamento de grandes volumes de dados. Incorporando um loop de feedback, o CineMatch aprende continuamente com as interações dos usuários para otimizar as estratégias de recomendação. Esta pesquisa detalha o desenvolvimento, implementação e avaliação do CineMatch, demonstrando sua eficácia em fornecer recomendações de filmes precisas. Uma aplicação web que utiliza o conjunto de dados MovieLens foi desenvolvida para apresentar a viabilidade da solução e refinar as capacidades do sistema sob diversos cenários de usuários, destacando a adaptabilidade e precisão desta arquitetura. Palavras-Chave Sistemas autoadaptativos, Sistemas de recomendação, Recomendações de filmes, Aprendizado de Máquina, Modelos híbridos de recomendação, análise em tempo real, personalização do usuário