Análise e funcionamento de algoritmos de recomendação em plataformas de streaming e redes sociais

Abstract

Sistemas de recomendação estão no centro da experiência digital atual, mas equilibrar precisão (acertar o gosto do usuário) com diversidade (oferecer recomendações variadas) continua sendo um desafio técnico e ético relevante, especialmente pelo risco de formação de bolhas de filtro. Este trabalho compara dois algoritmos clássicos: a Filtragem Colaborativa baseada em SVD (Singular Value Decomposition) e a Recomendação Baseada em Conteúdo com TF-IDF (Term Frequency–Inverse Document Frequency), aplicados ao dataset MovieLens 1M com 1.000.209 avaliações de 6.040 usuários. Os dois modelos foram avaliados simultaneamente com quatro métricas (Precision@10, Recall@10, NDCG@10 e Diversidade intra-lista) sobre os 20 usuários mais ativos, usando protocolo leave-30%-out com semente fixa para garantir reprodutibilidade. Os resultados revelaram um achado contra-intuitivo: o SVD superou o TF-IDF não só em precisão (média de 0,705 contra 0,080 em Precision@10), como também em diversidade (0,797 contra 0,087). Em 12 dos 20 usuários, a diversidade do TF-IDF foi zero, ou seja, todos os dez filmes recomendados pertenciam ao mesmo gênero. Esse comportamento ocorre porque o modelo de conteúdo amplifica a concentração do catálogo em Drama e Comédia, criando bolhas de filtro em vez de combatê-las. O trabalho conclui que o trade-off entre precisão e diversidade é mais complexo do que a literatura costuma apresentar, e que a escolha do algoritmo deve considerar também a distribuição de gêneros do catálogo. Um protótipo interativo foi desenvolvido para demonstração ao vivo, incluindo simulação de cold start com novos usuários.