Explorando similaridades semânticas aplicadas a sistemas de recomendação com Filtragem Baseada em Conteúdo

Gabriel Gonçalves Faria Costa; Diego Correa da Silva; Guilherme Souza Brandão; Vítor Hugo Barbosa dos Santos; Frederico Araújo Durão

doi:10.1590/1983-3652.2026.51173

Autores/as

Gabriel Gonçalves Faria Costa Universidade Federal da Bahia, Salvador, BA, Brasil https://orcid.org/0009-0001-3824-3441
Diego Correa da Silva Universidade Federal da Bahia, Salvador, BA, Brasil https://orcid.org/0000-0001-7132-1977
Guilherme Souza Brandão Universidade Federal da Bahia, Salvador, BA, Brasil https://orcid.org/0000-0002-7217-0231
Vítor Hugo Barbosa dos Santos Universidade Federal da Bahia, Salvador, BA, Brasil https://orcid.org/0000-0002-1771-2624
Frederico Araújo Durão Universidade Federal da Bahia, Salvador, BA, Brasil https://orcid.org/0000-0002-7766-6666

DOI:

https://doi.org/10.1590/1983-3652.2026.51173

Palabras clave:

Similaridade semântica, Sistemas de recomendação, Filtragem Baseada em Conteúdo

Resumen

O presente trabalho teve como objetivo desenvolver e avaliar métodos alternativos de cálculo de similaridade, combinando abordagens convencionais, como a similaridade do cosseno, com a medida semântica de Wu-Palmer, integrada à estrutura de rede semântica WordNet, visando aprimorar a qualidade das recomendações em sistemas de recomendação baseados em Filtragem Baseada em Conteúdo. Para a condução dos experimentos, utilizou-se o conjunto de dados de curtas-metragens do MovieLens, bem como o ambiente de programação Python, executado na plataforma Google Colaboratory. Os resultados experimentais indicam que a Filtragem Baseada em Conteúdo pode ser significativamente aprimorada por meio da incorporação de medidas de similaridade semântica. Entre as abordagens avaliadas, a similaridade Wu-Palmer apresentou o melhor desempenho tanto na métrica de Classificação Recíproca Média (MRR) quanto na Precisão Média. Em particular, no que se refere à Classificação Recíproca Média, a medida de Wu-Palmer obteve resultados consistentemente superiores em todas as posições analisadas, alcançando a maior média entre as demais abordagens. De forma semelhante, na avaliação da Precisão Média, o algoritmo baseado na similaridade Wu-Palmer destacou-se pelo melhor desempenho geral, atingindo um Rank Recíproco Médio máximo de 0,67 na posição 10.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

ALMEIDA, Matheus Santos. Sistemas de recomendação baseado em otimização multiobjetivo para recomendação de filmes. [S. l.: s. n.], 2020. DCOMP Departamento de Computação, Ciência da Computação, Universidade Federal de Sergipe, São Cristóvão, SE, Brasil.

ANWAR, Taushif; UMA, V. Comparative study of recommender system approaches and movie recommendation using collaborative filtering. International Journal of System Assurance Engineering and Management, Springer, v. 12, p. 426–436, 2021. DOI: 10.1007/s13198-021-01087-x.

AZAMBUJA, Rogério Xavier de; MORAIS, A Jorge; FILIPE, Vítor. Teoria e prática em sistemas de recomendação. Revista de Ciências da Computação, nº16, Universidade Aberta, p. 23–46, 2021.

BERNARDO, Letícia Ellen; ANDRADE, Kleber de Oliveira. Cine Collection: um aplicativo para recomendação de filmes. [S. l.: s. n.], 2019. Faculdade de Tecnologia de Americana, SP, Brasil.

BIRD, S.; KLEIN, E.; LOPER, E. Natural Language Processing with Python – Analyzing Text with the Natural Language Toolkit. [S. l.: s. n.], 2019. Available from: https://www.nltk.org/book/. Visited on: 8 Nov. 2022.

CHANDRASEKARAN, Dhivya; MAGO, Vijay. Evolution of semantic similarity—a survey. ACM Computing Surveys (CSUR), ACM New York, NY, USA, v. 54, n. 2, p. 1–37, 2021.

D’ADDIO, Rafael M; DOMINGUES, Marcos A; MANZATO, Marcelo G. Exploiting feature extraction techniques on users’ reviews for movies recommendation. Journal of the Brazilian Computer Society, SpringerOpen, v. 23, n. 1, p. 1–16, 2017.

FELLBAUM, C. WordNet: An electronic lexical database. [S. l.]: MIT press, 1998.

GROUPLENS. Social Computing Research at the University of Minnesota. [S. l.: s. n.], 2022. Available from: https://grouplens.org/. Visited on: 30 Nov. 2022.

HAN, Mengting; ZHANG, Xuan; YUAN, Xin; JIANG, Jiahao; YUN, Wei; GAO, Chen. A survey on the techniques, applications, and performance of short text semantic similarity. Concurrency and Computation: Practice and Experience, Wiley Online Library, v. 33, n. 5, e5971, 2021.

HARPER, F. Maxwell; KONSTAN, Joseph A. The MovieLens Datasets: History and Context. ACM Trans. Interact. Intell. Syst., Association for Computing Machinery, v. 5, n. 4, 2015.

JANNACH, D.; ZANKER, M.; FELFERNIG, A.; FRIEDRICH, G. Recommender Systems An Introduction. [S. l.]: Cambridge University Press, 2011.

JAVED, Umair; SHAUKAT, Kamran; HAMEED, Ibrahim A; IQBAL, Farhat; ALAM, Talha Mahboob; LUO, Suhuai. A review of content-based and context-based recommendation systems. International Journal of Emerging Technologies in Learning (iJET), International Journal of Emerging Technology in Learning, v. 16, n. 3, p. 274–306, 2021.

LOSHIN, P. Definition: Resource Description Framework (RDF). [S. l.: s. n.], Feb. 2022. Available from: https://www.techtarget.com/searchapparchitecture/definition/Resource-Description-Framework-RDF. Visited on: 30 Mar. 2023.

MESSINA, Pablo; DOMINGUEZ, Vicente; PARRA, Denis; TRATTNER, Christoph; SOTO, Alvaro. Content-based artwork recommendation: integrating painting metadata with neural and manually-engineered visual features. User Modeling and User-Adapted Interaction, Springer, v. 29, n. 2, p. 251–290, 2019.

MOHIT, G. NLP WuPalmer – WordNet Similarity. [S. l.: s. n.], July 2022. Available from: https://www.geeksforgeeks.org/nlp-wupalmer-wordnet-similarity/. Visited on: 23 Apr. 2023.

NLTK. Sample usage for wordnet. [S. l.: s. n.], Jan. 2023. Available from: https://www.nltk.org/howto/wordnet.html. Visited on: 4 Apr. 2023.

OPPERMANN, Michael; KINCAID, Robert; MUNZNER, Tamara. VizCommender: Computing text-based similarity in visualization repositories for content-based recommendations. IEEE Transactions on Visualization and Computer Graphics, IEEE, v. 27, n. 2, p. 495–505, 2020. DOI: 10.1109/TVCG.2020.3030387.

PAZZANI, Michael J; BILLSUS, Daniel. Content-based recommendation systems. In: THE adaptive web: methods and strategies of web personalization. [S. l.]: Springer, 2007. p. 325–341.

PEDREGOSA, F.; VAROQUAUX, G.; GRAMFORT, A.; MICHEL, V.; THIRION, B.; GRISEL, O.; BLONDEL, M.; PRETTENHOFER, P.; WEISS, R.; DUBOURG, V.; VANDERPLAS, J.; PASSOS, A.; COURNAPEAU, D.; BRUCHER, M.; PERROT, M.; DUCHESNAY, E. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, v. 12, p. 2825–2830, 2011.

PRADEEP, N; RAO MANGALORE, KK; RAJPAL, B; PRASAD, N; SHASTRI, R. Content based movie recommendation system. International journal of research in industrial engineering, Ayandegan Institute of Higher Education, Iran, v. 9, n. 4, p. 337–348, 2020.

PURI, Jaskaran S. NLP Text Similarity, how it works and the math behind it. [S. l.: s. n.], May 2018. Available from: https://towardsdatascience.com/nlp-text-similarity-how-it-works-and-the-math-behind-it-a0fb90a05095. Visited on: 8 Nov. 2022.

RATHEE, Preeti; MALIK, Sanjay Kumar. An analysis of semantic similarity measures for information retrieval. In: EMERGING Technologies in Data Mining and Information Security: Proceedings of IEMIS 2022, Volume 3. [S. l.]: Springer, 2022. p. 665–673.

RICCI, F.; ROKACH, L.; SHAPIRA, B. Recommender Systems Handbook. 3rd. New York, NY, USA: Springer Science+Business Media, LLC, 2022.

ROLIM, V.; FERREIRA, R.; COSTA, E.; PINHEIRO, A.; FERREIRA, M. A. Um Estudo Sobre Sistemas de Recomendação de Recursos Educacionais. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, p. 724, Oct. 2017. DOI: 10.5753/cbie.wcbie.2017.724.

SILVA, Leonardo Lima Felix da. Uso de Automated Machine Learning (Auto ML) em Sistemas de Recomendação. [S. l.: s. n.], 2021. Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande, PB, Brasil.

SILVA, Lucas Magnus da. Sistema de recomendação híbrido utilizando as técnicas de filtragem colaborativa e baseada em conteúdo. [S. l.: s. n.], 2020. Curso de Ciência da Computação, Grupo de Pesquisa em Inteligência Artificial Aplicada, Universidade do Extremo Sul Catarinense (UNESC). Criciúma, SC, Brasil.

SINGLA, Rujhan; GUPTA, Saamarth; GUPTA, Anirudh; VISHWAKARMA, Dinesh Kumar. FLEX: a content based movie recommender. In: IEEE. 2020 International Conference for Emerging Technology (INCET). [S. l.: s. n.], 2020. p. 1–4.

THORAT, Poonam B; GOUDAR, Rajeshwari M; BARVE, Sunita. Survey on collaborative filtering, content-based filtering and hybrid recommendation system. International Journal of Computer Applications, Foundation of Computer Science, v. 110, n. 4, p. 31–36, 2015.

WANG, Jiapeng; DONG, Yihong. Measurement of text similarity: a survey. Information, MDPI, v. 11, n. 9, p. 421, 2020.

WIJEWICKREMA, Manjula; PETRAS, Vivien; DIAS, Naomal. Selecting a text similarity measure for a content-based recommender system: A comparison in two corpora. The Electronic Library, Emerald Publishing Limited, v. 37, n. 3, p. 506–527, 2019. DOI: 10.1108/EL-08-2018-0165.

WU, Z.; PALMER, M. Verbs Semantics and Lexical Selection. In: PROCEEDINGS of the 32nd Annual Meeting of Association for Computational Linguistics. [S. l.: s. n.], 1994.

ZUIN, Gianlucca Lodron; MAGALHÃES, Luiz Felipe Gonçalves; LOURES, Túlio Corrêa. MAL-FITT: MyAnimeList Forum Interpreter Through Text. XIII Encontro Nacional de Inteligência Artificial e Computacional (SBC ENIAC-2016). Recife-PE: SBC, p. 205–216, 2016.