Modelo de filtragem colaborativa aplicada a recomendação de animes

Abstract

Resumo: Sistemas de recomendação são ferramentas essenciais que ajudam a sugerir itens aos usuários com base em diversos fatores, desempenhando um papel crucial em plataformas de streaming e e-commerce. Este artigo explora a aplicação da filtragem colaborativa baseada em usuários para a recomendação de animes, focando emumcenário de cold start, onde o usuário não possui histórico de avaliações. O estudo é estruturado em dois modelos principais: o primeiro utiliza o algoritmo K-means para clusterização de animes, criando "personas" para entender as preferências iniciais dos usuários; o segundo modelo aplica a filtragem colaborativa baseada emusuários usando três métricas de distância (Euclidiana, Manhattan e Coseno) para recomendar animes. Os resultados foram avaliados com base nas métricas de hit rate e serendipity, visando diversificar as recomendações e melhorar a experiência do usuário.

Abstract: Recommendation systems are essential tools that help suggest items to users based on various factors, playing a crucial role in streaming and e-commerce platforms. This paper explores the application of user-based collaborative filtering for anime recommendations in a cold start scenario, where the user has no prior rating history. The study is divided into two main models: the first uses the K-means algorithm for clustering animes into "personas" to gauge initial user preferences; the second applies user-based collaborative filtering using three distance metrics (Euclidean,Manhattan, and Cosine) for making recommendations. The effectiveness of the recommendations was evaluated through hit rate and serendipity metrics, aiming to diversify recommendations and enhance user experience.