Proposta de modelo de recomendação de conteúdo baseado em arquivos de legendas de filmes e séries

Autores

Resumo

A crescente complexidade dos objetos armazenados e o grande volume de dados exigem modelos de recuperação e recomendação cada vez mais sofisticados. O objetivo deste trabalho é propor um modelo de recomendação de conteúdo baseado em arquivos de legendas de filmes e séries. Utilizando a ferramenta Apache Lucene para recuperação da informação, e a ferramenta OGMA, para análise de textos, foi possível propor para o modelo, três etapas distintas: uma pesquisa utilizando palavra-chave, a classificação de filmes e séries por gênero e a identificação de títulos similares. Também é apresentado uma adaptação ao modelo para identificar em cada título um sentimento, denominado análise de sentimentos. Como resultado ressaltamos que a pesquisa por palavras-chave gerou recomendações relevantes, já que proporcionam ao usuário liberdade de pesquisa dentro de um conteúdo específico. Já a classificação por gênero apresentou índice de 73% de acerto em comparação com os gêneros apresentados pelo site IMDb, facilitando a recomendação de conteúdo. A análise de sentimentos demonstrou recomendações com coesão, determinando títulos apropriados para cada sentimento. Por último, a identificação de títulos similares, apresentou resultados primários, trazendo apenas filmes e séries com a mesma temática, sem apresentar nenhum resultado em comum com o site IMDb. Concluiu-se que apesar da enorme dificuldade de ser assertivo na recuperação da informação, existem vantagens em se utilizar os arquivos de legendas para ajudar na composição dos sistemas de recomendação.

Downloads

Não há dados estatísticos.

Biografia do Autor

Armstrong Gomes Brito, Universidade Fumec

Mestre em Sistemas de Informação e Gestão do Conhecimento/FUMEC

Referências

AKEN, J. E. V.; ROMME, G. Reinventing the future: adding design science to the repertoire of organization and management studies. Organization Management Journal,Taylor & Francis, v. 6, n. 1, p. 5-12, 2009.

ALAN, R. H. von et al. Design science in information systems research. MIS quarterly, Springer, v. 28, n. 1, p. 75-105, 2004.

BAEZA-YATES, R.; RIBEIRO-NETO, B. Modern information retrieval. ACM press, 1999. 513 p. ISSN 0022541X. ISBN 020139829X. Disponível em: .

BECKER, K.; TUMITAN, D. Introdução à mineração de opiniões: Conceitos, aplicações e desafios. Simpósio Brasileiro de Banco de Dados, 2013.

CARDOSO, O. N. P. Recuperação de informação. INFOCOMP: Journal of Computer Science, v. 2, n. 1, 2000.

CHOO, C. W.; ROCHA, E. A organização do conhecimento: como as organizações usam a informação para criar significado, construir conhecimento e tomar decisões. [S.l.]: Senac São Paulo, 2003.

DIMARTINO, D.; ZOE, L. R. End-user full-text searching: Access or excess? Library & information science research, Elsevier, v. 18, n. 2, p. 133-149, 1996.

GEY, F. F. Models in Information Retrieval. Folders of Tutorial Presented at the 19th ACM Conference on Research and Development in Information Retrieval. [S.l.], 1992. Folder.

IMDB: Site. 2015. Disponível em: <http://www.imdb.com/>. Acesso em: 18 novembro 2015.

KARMAKER, D. et al. An automated music selector derived from weather condition and its impact on human psychology. GSTF Journal on Computing (JoC), Global Science and Technology Forum, v. 4, n. 3, p. 13, 2015.

LANCASTER, F. W. Information retrieval systems. 1968.

MOHAMMAD, S. M.; TURNEY, P. D. Emotions evoked by common words and phrases: Using mechanical turk to create an emotion lexicon. In: association for computational linguistics. Proceedings of the NAACL HLT 2010 workshop on computational approaches to analysis and generation of emotion in text. [S.l.], 2010. p. 26-34.

MOOERS, C. N. Zatocoding applied to mechanical organization of knowledge. American documentation, Wiley Online Library, v. 2, n. 1, p. 20-32, 1951.

NETFLIX: Site. 2015. Disponível em: <http://brasilblog.netflix.com/2014/09/ uma-nova-experiencia-de-busca-no-site.html>. Acesso em: 09 junho 2015.

OGMA: Site. 2016. Disponível em: <http://www.luizmaia.com.br/ogma/>. Acesso em: 15 março 2016.

OSIEK, B. A. Reconhecimento de sentimento em texto abordado através da computação afetiva. Tese (Doutorado) - Universidade Federal do Rio de Janeiro, 2014.

REATEGUI, E. B.; CAZELLA, S. C. Sistemas de recomendaçao. In: CITESEER. XXV Congresso da Sociedade Brasileira de Computação. Universidade do Vale do Rio dos Sinos (UNISINOS). São Leopoldo. [S.l.], 2005.

RESNICK, P.; VARIAN, H. R. Recommender systems. Communications of the ACM, ACM, v. 40, n. 3, p. 56-58, 1997.

SANTOS, L. M. et al. Twitter, análise de sentimento e desenvolvimento de produtos: Quanto os usuários estão expressando suas opiniões? Revista PRISMA. COM, n. 13, 2010.

SARACEVIC, T. Information Science. JASIS - Journal of the American Society for Information Science, v. 50, n. 12, p. 1051-1063, 1999.

SORDI, J. O. D.; AZEVEDO, M. C. de; MEIRELES, M. A pesquisa design science no brasil segundo as publicações em administração da informação. Revista de Gestão da Tecnologia e Sistemas de Informação, SciELO Brasil, v. 12, n. 1, p. 165-186, 2015.

Downloads

Publicado

2018-06-05

Como Citar

Maia, L., & Gomes Brito, A. (2018). Proposta de modelo de recomendação de conteúdo baseado em arquivos de legendas de filmes e séries. Informação &Amp; Tecnologia, 3(2), 144–163. Recuperado de https://periodicos.ufpb.br/ojs/index.php/itec/article/view/38189