PESQUISA DESCRITIVA SOBRE METODOS DE RECOMENDAÇÃO EM PLATAFORMAS DE STREAMING

Resumo

A presente pesquisa objetivou analisar como um sistema de recomendação utiliza-se de
algoritmos de IA e métodos de pré-processamento de dados no contexto de uma plataforma
de streaming para criar recomendações baseados nos gostos de um usuario. Para fazê-lo,
primeiramente mapeamos o fluxograma do processo, identificando e descrevendo cada uma
de suas etapas, a saber: Filtragem de dados, Pré-processamento de dados, Aplicação de
algoritmos, Avaliação do modelo e Implantação do sistema de recomendação. Em cada um
desses passos, discutimos as possíveis alternativas apresentadas pela literatura utilizada em
nosso referencial teórico e sua aplicabilidade ao caso concreto. Metodologicamente,
aplicamos diferentes modelos a um conjunto de dados retirados da plataforma de venda de
jogos Steam. O objeto de estudo específico foi o jogo “Counter-Strike: Global Offensive”,
tomado como nosso input para o sistema de geração das recomendações, consideradas como
o output. Tais recomendações foram construídas a partir de duas abordagens: a descrição
textual dos jogos e pelo agrupamento de categorias de cada item dos jogos. Realizados os
testes e comparada à similaridade entre o input e outputs em cada um desses princípios,
nossa pesquisa concluiu que a abordagem baseada em um agrupamento das diferentes
categorias de cada jogo somado ao um algoritmo de clusterização como o k-means é a melhor
forma de se aplicar um sistema de recomendação ao nosso caso. O codigo fonte dos modelos
criados para este trabalho estão disponíveis em um repositorio público do site GitHub.