Sistema de recomendação de restaurantes por filtragem baseada em conteúdo com análise de sentimentos

Abstract

Resumo: Este trabalho apresenta o desenvolvimento de um sistema de recomendação de restaurantes por meio da técnica de Filtragem Baseada em Conteúdo, com aprimoramento por análise de sentimentos aplicada a avaliações textuais. A solução utiliza dados reais de estabelecimentos gastronômicos obtidos por meio das APIs públicas do Google Maps e TripAdvisor, contendo atributos estruturados e comentários de usuários. Esses comentários foram classificados automaticamente quanto ao sentimento predominante utilizando um modelo de linguagem leve (LLM), o Ollama 3.2 1B, executado localmente. As recomendações são geradas por similaridade entre restaurantes, calculada com a distância do cosseno sobre componentes principais extraídos via PCA, ponderadas por sentimento agregado e nota média. Para otimização do desempenho em ambiente web, todas as recomendações são processadas previamente e armazenadas em um único arquivo, permitindo resposta instantânea na plataforma Streamlit Community Cloud. A aplicação busca combinar relevância e diversidade nas sugestões, promovendo a descoberta de novos locais com base em reputação, sentimento e número de avaliações

Abstract: This paper presents the development of a restaurant recommendation system based on Content-Based Filtering, enhanced by sentiment analysis of user reviews. The solution uses real-world data collected from the public APIs of Google Maps and TripAdvisor, including both structured attributes and user comments. These comments were automatically classified according to their predominant sentiment using a lightweight language model (LLM), Ollama 3.2 1B, executed locally. Recommendations are generated through cosine similarity computed over principal components extracted via PCA, and weighted by aggregated sentiment and average ratings. To optimize performance in a cloud environment, all recommendations are preprocessed offline and stored in a single file, enabling instant delivery through the Streamlit Community Cloud platform. The system aims to balance relevance and diversity by suggesting high-quality and lesser-known restaurants, based on sentiment, reputation, and number of reviews