Sistema de recomendação de filmes baseado em filtragem

Abstract

Este trabalho aborda a evolução e a relevância dos sistemas de recomendação no contexto atual de consumo de mídia, especialmente em plataformas de streaming. Com o advento da inteligência artificial e do aprendizado de máquina, os sistemas de recomendação se tornaram essenciais para personalizar a experiência do usuário, mas ainda enfrentam desafios como o filtro bolha e a diversidade nas sugestões. O sistema proposto, chamado FilmMatch, busca superar essas limitações por meio da utilização de múltiplas métricas de similaridade, incluindo Similaridade Cosseno, Correlação de Pearson e Índice de Jaccard. A pesquisa se propõe a desenvolver e avaliar um sistema de recomendação de filmes eficaz, analisando a eficácia das métricas e comparando seu desempenho com outros sistemas existentes. Os resultados indicam que, embora a precisão do sistema esteja dentro da média, o recall é uma área crítica que precisa de melhorias. Este trabalho contribui para a discussão sobre a importância de recomendações diversificadas e personalizadas no setor de entretenimento.

This work addresses the evolution and relevance of recommendation systems in the current media consumption context, especially on streaming platforms. With the advent of artificial intelligence and machine learning, recommendation systems have become essential for personalizing user experience, yet they still face challenges such as the filter bubble and suggestion diversity. The proposed system, called FilmMatch, aims to overcome these limitations by utilizing multiple similarity metrics, including Cosine Similarity, Pearson Correlation, and Jaccard Index. The research aims to develop and evaluate an effective movie recommendation system, analyzing the effectiveness of metrics and comparing its performance with existing systems. Results indicate that while the system’s precision is within average range, recall is a critical area needing improvement. This work contributes to the discussion on the importance of diversified and personalized recommendations in the entertainment sector.