Submitted by Santos Davilene (davilenes@ufba.br) on 2016-05-25T15:22:41Z No. of bitstreams: 1 dissertacao_mestrado_ciencia_computacao_rafael_glauber.pdf: 2701674 bytes, checksum: d9b74db08b0e071f5dddf22ab848cd3e (MD5) / Made available in DSpace on 2016-05-25T15:22:41Z (GMT). No. of bitstreams: 1 dissertacao_mestrado_ciencia_computacao_rafael_glauber.pdf: 2701674 bytes, checksum: d9b74db08b0e071f5dddf22ab848cd3e (MD5) / Sistemas de Recomendação sugerem itens de interesse explorando as preferências dos usuários ajudando-os contra o problema da sobrecarga de informações. Primeiramente estes sistemas eram construídos, exclusivamente, através de técnicas com origem nas áreas de Recuperação de Informação e Aprendizado de Máquina. Porém, desde o início da década de 90 a abordagem conhecida como Filtragem Colaborativa, que não explora qualquer tipo de conteúdo disponível dos itens para realizar sua tarefa, passou a ser a mais utilizada como solução para estes sistemas. Pesquisas como as de Shardanand & Maes (1995); Das et al. (2007); Konstan & Riedl (2012) justificam essa preferência por conta de deficiências preexistentes nos algoritmos de filtragem por conteúdo dos itens. Entretanto, nestas pesquisas não são evidenciadas essas deficiências ou mesmo as diferenças e semelhanças das recomendações geradas pelos algoritmos dessas duas abordagens levando esta discussão ao senso comum. Neste trabalho é proposta uma metodologia para comparação de algoritmos de recomendação que vai além da precisão das previsões. Para demonstrar essa metodologia a aplicamos na comparação das abordagens de Filtragem Baseada em Conteúdo Textual e a Filtragem Colaborativa. Nossos resultados demonstram que algoritmos dessas duas abordagens não só diferem em diversas dimensões em um teste de sistema, como também apresentam características que sugerem grande complementariedade.