@MASTERSTHESIS{ 2025:849103420,
 	title = {Transformers em sistemas de recomendação: um estudo comparativo com modelos de machine learning},
 	year = {2025},
 	url = "http://sistemas2.uespi.br/handle/tede/2206",
 	abstract = "Os Sistemas de Recomendação (SR) são fundamentais para personalizar a experiência do usuário em plataformas digitais, mas enfrentam desafios como cold-start e
 esparsidade de dados. Este trabalho realiza uma análise comparativa da capacidade
 de ranking entre um modelo baseado na arquitetura Transformers e algoritmos de Machine Learning (ML) estabelecidos — SVD++, ItemKNN e um modelo baseado em
 Popularidade — para a recomendação de filmes. Utilizando os datasets MovieLens
 (100K e 1M), o estudo avalia a eficácia dos modelos em gerar rankings relevantes,
 especialmente em cenários críticos como cold-start. As métricas de avaliação focam
 na qualidade do ranking, como NDCG, Precisão@k e Recall@k, complementadas por
 métricas de erro (Root Mean Squared Error (RMSE), Mean Absolute Error (MAE)) dos
 scores que geram esses rankings. A metodologia emprega validação cruzada k-fold
 (k=10). Os resultados indicam que o modelo Transformers, embora apresente maior
 recall em alguns cenários, foi consistentemente superado pelos modelos tradicionais
 nas métricas de ordenação, como NDCG e Precisão@k. No entanto, apresentou maior
 robustez em situações de cold-start para itens com poucas interações. Conclui-se que,
 apesar de ainda não superar métodos consolidados em todas as métricas, o Transformers mostra potencial para ser explorado em contextos específicos de recomendação,
 contribuindo para a literatura com insights sobre a aplicabilidade e o desempenho de
 modelos de Deep Learning.",
 	publisher = {Universidade Estadual do Piauí},
 	scholl = {Bacharelado em Ciências da Computação},
 	note = {Centro de Tecnologia e Urbanismo}
}