Sistema de recomendação de animes, usando filtro colaborativo : um estudo de caso aplicado com base no comportamento de usuários e similaridade entre obras

Abstract

Resumo: Sistemas de recomendação desempenham um papel fundamental em ambientes digitais caracterizados por grande volume de informações, auxiliando usuários na descoberta de conteúdos relevantes de forma personalizada. No contexto do entretenimento digital, plataformas de streaming enfrentam desafios como a alta variabilidade no comportamento dos usuários, a sparsidade das interações e a concentração de popularidade em poucos itens. Diante desse cenário, este trabalho propõe o desenvolvimento e a avaliação de um sistema de recomendação de animes baseado em filtragem colaborativa item–item, utilizando uma base real de avaliações de usuários. A metodologia adotada compreende a análise estatística exploratória da base de dados, o pré-processamento das informações e a construção de uma matriz usuário-item adequada para a aplicação de técnicas de filtragem colaborativa. O modelo proposto utiliza similaridade do cosseno para identificar obras semelhantes a partir do padrão coletivo de avaliações e incorpora informações de conteúdo por meio da representação vetorial dos gêneros utilizando TF-IDF, resultando em uma abordagem híbrida. Foram aplicadas regras adicionais para aumentar a relevância das recomendações, como a exclusão de filmes, títulos duplicados e obras com baixa quantidade de avaliações. A validação do sistema foi realizada por meio de uma avaliação offline, utilizando a métrica Hit@K, e comparando o desempenho do modelo proposto com um baseline de popularidade. Os resultados obtidos indicam que o modelo colaborativo apresentou desempenho superior ao baseline, com um ganho relativo aproximado de 12%, evidenciando sua capacidade de capturar similaridade entre obras além da simples popularidade. Por fim, o sistema desenvolvido foi disponibilizado por meio de uma interface web acessível ao usuário final, hospedada na plataforma Hugging Face, demonstrando sua aplicabilidade prática em um cenário real

Abstract: Recommender systems play a central role in digital environments characterized by large volumes of information, supporting users in the discovery of relevant content in a personalized manner. In the context of digital entertainment, recommendation platforms face challenges such as sparse user–item interactions, highly skewed popularity distributions, and heterogeneous user behavior. In this scenario, this work proposes the development and evaluation of an anime recommender system based on item–item collaborative filtering, using a real-world dataset of user ratings. The proposed methodology includes an exploratory statistical analysis of the dataset, data preprocessing and filtering, and the construction of a user–item matrix suitable for collaborative filtering techniques. Item similarity is computed using cosine similarity derived from collective user behavior, and content-based information is incorporated through genre representation using TF-IDF, resulting in a hybrid recommendation approach. Additional filtering rules were applied to improve recommendation relevance, such as excluding movies, duplicate titles, and items with a low number of ratings. The system was evaluated through an offline validation procedure using the Hit@K metric, with K set to 10, and compared against a popularity-based baseline. The results indicate that the proposed collaborative filtering model outperforms the baseline, achieving an approximate relative improvement of 12%, which demonstrates its ability to capture meaningful relationships between items beyond simple popularity effects. Finally, the developed system was deployed through a web-based interface hosted on the Hugging Face platform, demonstrating its practical applicability in a real-world scenario