Impacto da Integração de meta-features em modelos de redes neurais profundas para sistemas de recomendação híbrida.

Abstract

Sistemas de Recomendação (SR) têm sido amplamente utilizados para auxiliar usuários na descoberta de conteúdos relevantes em cenários caracterizados por grande volume e diversidade de informações. No entanto, esses sistemas ainda enfrentam desafios recorrentes, como a esparsidade dos dados e a dificuldade em capturar adequadamente diferentes aspectos do comportamento dos usuários. Nesse contexto, métodos híbridos surgem como uma alternativa promissora ao combinar múltiplas fontes de informação, como os scores gerados por algoritmos constituintes e informações adicionais extraídas dos dados, conhecidas como meta-features. Este trabalho investiga o impacto da integração de meta-features em sistemas de recomendação híbridos baseados em Deep Neural Networks (DNN), analisando como essas características influenciam o desempenho dos modelos. As meta-features utilizadas descrevem propriedades estruturais dos dados, como padrões de avaliação, similaridade entre conteúdos e informações temporais, permitindo enriquecer o processo de recomendação para além das avaliações explícitas. Para esse fim, foram avaliadas três estratégias de hibridização (HR, STREAM e FWLS) aplicadas a três conjuntos de dados de referência: BookCrossing, Jester e MovieLens 1M. Os experimentos foram conduzidos utilizando métricas de desempenho como RMSE, MAE, PC e R2, possibilitando uma análise comparativa entre as estratégias híbridas e o impacto da inclusão das meta-features. Os resultados indicam que a estratégia FWLS apresentou, de modo geral, o melhor desempenho preditivo, obtendo menores valores de erro nos três datasets analisados. Essa abordagem explora de forma mais explícita a interação entre os scores dos algoritmos constituintes e as meta-features, contribuindo de maneira mais significativa para melhorias na qualidade das recomendações quando comparada à estratégia tradicional baseada apenas nos algoritmos constituintes. No dataset BookCrossing, por exemplo, o FWLS alcançou RMSE de 0.1810 e MAE de 0.1388, enquanto o HR obteve RMSE de 0.2058 e MAE de 0.1649. Nos datasets Jester e MovieLens 1M, os ganhos foram mais sutis, porém consistentes, indicando a estabilidade da abordagem em diferentes domínios. Além disso, o modelo de Random Forest foi utilizado como base de comparação por representar uma abordagem consolidada de Machine Learning em cenários de recomendação híbrida. A análise comparativa evidenciou que, embora os modelos baseados em DNN apresentem maior capacidade de modelar relações complexas entre as variáveis, o Random Forest (RF) se destaca pela eficiência computacional durante o treinamento. No entanto, é importante destacar que, em sistemas de recomendação, o processo de treinamento normalmente ocorre de forma offline e, uma vez que o modelo está ajustado, a geração das recomendações pode ser realizada com baixo custo computacional na fase de inferência. Dessa forma, os resultados obtidos contribuem para uma compreensão mais ampla sobre o papel das meta-features e das arquiteturas profundas no contexto de sistemas de recomendação híbridos.