Satisfação de usuário em um sistema de recomendação centrado em aprendizado profundo

Abstract

Sistemas de Recomendação são algoritmos de software projetados para analisar o comportamento e as preferências passadas dos usuários, com o objetivo de sugerir itens que possam ser de seu interesse. Esses sistemas são amplamente utilizados em diversas plataformas, como serviços de streaming, lojas online, redes sociais e outros aplicativos, para melhorar a experiência e a satisfação do usuário ao oferecer recomendações relevantes e personalizadas. Entretanto, ainda há muito a ser explorado em termos de pesquisa no contexto de Sistemas de Recomendação, principalmente, no intuito de gerar maior satisfação aos seus usuários. Este trabalho visou criar um Sistema de Recomendação centrado em Aprendizado Profundo, e orientando-se pelo critério qualitativo de satisfação do usuário.Para isso, foi construído um modelo treinado por Filtros Colaborativos, e em seguida foi utilizado esse modelo para treinar um modelo de Rede Neural Convolucional, a fim de aprimorar as recomendações. Ao final, utilizou-se métricas, tais como: Precisão; Revocação; Erro Médio Absoluto e Erro Quadrático Médio da Raiz. A intenção foi avaliar o modelo resultante, aplicando esse modelo a uma API para que os usuários conseguissem usar e avaliar o Sistema de Recomendação. Os resultados indicaram que a maioria dos usuários que foram avaliados gostaram do modelo desenvolvido, se interessando pelas recomendações. Além disso, o modelo converge rapidamente, necessitando de apenas duas épocas para alcançar boas recomendações, o que demonstra eficiência computacional. No entanto, algumas limitações foram observadas, como a necessidade de um ambiente de execução com alta RAM, o problema de "partida a frio"nas primeiras recomendações, dificuldades na integração da API com o sistema e desafios relacionados à escalabilidade. Assim esse estudo apresenta um avanço na aplicação de Redes Neurais Convolucionais em Sistemas de Recomendação baseados em Filtros Colaborativos, oferecendo uma abordagem diferenciada e eficiente. Entretanto, melhorias ainda podem ser implementadas para tornar o modelo mais escalável e otimizado para uso real.