Personalização em aplicações de eventos: um estudo sobre algoritmos e sistemas de recomendação

Abstract

Em um contexto em que usuários são diariamente expostos a uma grande quantidade de opções, seja em plataformas de streaming, comércio eletrônico ou ambientes digitais de eventos, os sistemas de recomendação desempenham um papel central ao filtrar informações e oferecer sugestões alinhadas aos interesses individuais. Essas tecnologias se tornaram fundamentais no mercado atual, impulsionando engajamento e personalização para milhões de usuários. Nesse cenário, a recomendação de eventos apresenta desafios específicos, como a natureza contextual e temporal das atividades, exigindo modelos capazes de compreender tanto o perfil do usuário quanto as características dinâmicas dos eventos. O presente trabalho tem como objetivo implementar e avaliar sistemas de recomendação aplicados a eventos sociais, acadêmicos e esportivos, utilizando três abordagens principais: Filtragem Baseada em Conteúdo, Filtragem Colaborativa Item a Item e um modelo Híbrido que combina as duas abordagens. A pesquisa propõe aprimorar o desempenho desses algoritmos na recomendação por meio da inclusão de novas características nos dados de eventos, com o intuito de enriquecer a representação dos itens e fornecer recomendações mais personalizadas e relevantes para os usuários. A base de dados utilizada inclui informações sobre 2.000 usuários, 500 eventos e mais de 50.000 interações, contendo atributos como categorias, local, preço, popularidade, entre outros. Inicialmente, foram aplicadas as abordagens de filtragem colaborativa e baseada em conteúdo, sendo que a filtragem colaborativa considerou as interações entre usuários, enquanto a filtragem baseada em conteúdo levou em conta as características dos eventos. Com o objetivo de melhorar a precisão das recomendações, foram introduzidas variáveis adicionais, como description, tags, organizer, duration, venue_type, além de variáveis temporais como weekday, time_of_day e season. Os resultados obtidos indicaram que a introdução dessas novas características resultou em melhorias significativas nas métricas de desempenho, especialmente nos modelos de Filtragem Baseada em Conteúdo e Híbrido, sendo o modelo híbrido o mais beneficiado. O modelo baseado em item também apresentou uma melhoria, mas de forma mais modesta. Esses resultados demonstram que o enriquecimento dos dados com variáveis semânticas e temporais é essencial para a personalização das recomendações em sistemas voltados para eventos.