Sistemas de Recomendação (SR) têm sido amplamente estudados nas últimas décadas.
O crescimento da Internet e a consolidação da Web 2.0 contribuíram para o surgimento
de diversos serviços, como redes sociais, blogs, plataformas colaborativas, entre outros,
resultando no aumento significativo do volume de informação. Este cenário fomentou o
desenvolvimento de pesquisas com o intuito de utilizar tal informação para mitigar algumas
limitações dos SRs e melhorar sua qualidade. A recomendação de filmes tornou-se um dos
tópicos mais abordados na literatura no domínio de SRs junto com comércio eletrônico.
Essa popularidade foi alavancada pela indústria com o crescimento dos serviços de streaming
(Amazon, Netflix, iTunes, Google Play). Neste contexto, diferentes fontes de informação,
tipicamente disponibilizadas por usuários em sítios da Web, vêm sendo exploradas para
extração de características dos filmes. As fontes mais comuns proveem informações como
gênero, direção, elenco, etc. Outras abordagens tentam extrair informações a respeito
do conteúdo dos filmes, como estrutura da história, elementos da narrativa, personagens,
de modo que se possa caracterizar a história em si. Tal conteúdo pode ser representado
através de Tropes. Tropes são elementos que compõem uma história fictícia que pode ser
contada através de filmes, livros, quadrinhos entre outros tipos de mídia. Neste trabalho,
apresentamos um estudo sistemático sobre Tropes, investigando sua relevância para o
contexto de uma história e como podem ser incorporados em Sistemas de Recomendação
de Filmes. Os experimentos executados neste pesquisa sugerem que modelos híbridos
baseados na combinação de tropes com os gêneros dos filmes, podem melhorar a precisão
das previsões em quase 3% em comparação com o métodos tradicionais.
|
