🍚 RICE: Recomendações Inteligentes para Cinema e Entretenimento

Este projeto foi desenvolvido como parte de uma avaliação acadêmica, seguindo as diretrizes de criar um sistema de recomendação completo e funcional. O RICE (Recomendações Inteligentes para Cinema e Entretenimento) é uma aplicação que utiliza técnicas de filtragem baseada em conteúdo para sugerir filmes aos usuários de forma personalizada e interativa.

🎯 Objetivo do Sistema

O objetivo principal do RICE é aplicar os conceitos de sistemas de recomendação para criar uma aplicação robusta, com as seguintes características:

• Backend Robusto (FastAPI): Processa os dados, constrói perfis de usuário e serve as recomendações através de uma API RESTful.
• Frontend Interativo (Streamlit): Permite que os usuários gerenciem perfis, obtenham recomendações, adicionem novas avaliações e visualizem a performance do modelo em tempo real.
• Modelo Dinâmico: O sistema constrói um perfil de usuário dinâmico com base em suas avaliações, permitindo que as recomendações se adaptem aos seus gostos.
• Avaliação de Performance: Inclui uma aba dedicada para calcular e visualizar métricas de performance do sistema (Precision, Recall, F1-Score) e analisar a matriz de confusão.

---

🚀 Como Executar o Projeto

Siga os passos abaixo para configurar e executar o RICE em sua máquina local.

Pré-requisitos

• Python 3.8+
• Pip (Gerenciador de pacotes do Python)

1. Estrutura de Pastas

Certifique-se de que o projeto mantém a seguinte estrutura:

/Rice
├── /backend
│   ├── main.py
│   ├── recomendacao.py
│   └── requirements.txt
├── /frontend
│   ├── app.py
│   └── requirements.txt
├── /datasets
│   ├── filmes.csv
│   ├── avaliacoes.csv
│   └── usuarios.csv
└── README.md

2. Configuração e Execução do Backend

O backend é o cérebro do sistema e precisa ser iniciado primeiro.

# 1. Navegue até a pasta do backend
cd backend

# 2. Instale as dependências
pip install -r requirements.txt

# 3. Inicie o servidor da API
uvicorn main:app --reload

O servidor estará rodando em http://127.0.0.1:8000. Deixe este terminal aberto.

3. Configuração e Execução do Frontend

O frontend é a interface com o usuário e deve ser executado em um novo terminal.

# 1. Navegue até a pasta do frontend (a partir da raiz do projeto)
cd frontend

# 2. Instale as dependências
pip install -r requirements.txt

# 3. Inicie a aplicação web
streamlit run app.py

A aplicação estará disponível no seu navegador em http://localhost:8501.

🧠 Como o Sistema Funciona: A Lógica de Recomendação

O RICE utiliza Filtragem Baseada em Conteúdo (Content-Based Filtering). A ideia central é que, se um usuário gostou de um determinado filme, ele provavelmente gostará de outros filmes com características similares.

O processo ocorre em quatro etapas principais:

1. Representação do Conteúdo: Para cada filme no dataset, o sistema cria um "documento" de texto, chamado Content Soup, que combina seus atributos mais importantes: gênero, diretor, atores principais e sinopse (overview).

2. Vetorização com TF-IDF: O sistema utiliza a técnica TF-IDF (Term Frequency-Inverse Document Frequency) para converter o "Content Soup" de cada filme em um vetor numérico. Isso cria uma matriz onde cada linha representa um filme e cada coluna representa a importância de uma palavra para aquele filme.

3. Construção do Perfil do Usuário: Quando um usuário solicita recomendações, o sistema analisa todos os filmes que ele avaliou positivamente (nota "Gostei"). Em seguida, calcula a média dos vetores TF-IDF desses filmes. O vetor resultante é o perfil do usuário, representando numericamente seus gostos.

4. Geração de Recomendações: O sistema calcula a Similaridade de Cosseno entre o vetor de perfil do usuário e os vetores de todos os outros filmes no catálogo. Os filmes com a maior pontuação de similaridade são retornados como recomendação.

Métrica de Similaridade: Por que a Similaridade de Cosseno?

A Similaridade de Cosseno é ideal para este cenário, pois mede o ângulo entre dois vetores. Isso permite que o sistema identifique a semelhança de "direção" ou "gosto" entre o perfil do usuário e os filmes, independentemente da magnitude dos valores nos vetores.

📈 Avaliação de Performance: Medindo a Eficácia

Na aba "Avaliação do Sistema", o RICE calcula métricas para medir a qualidade das recomendações para um usuário selecionado.

1. Geração das Recomendações: O sistema gera uma lista de N recomendações para o usuário ativo.

2. Definição do Gabarito: O "gabarito" é o conjunto de todos os filmes que o usuário avaliou como "Gostei" em seu histórico.

3. Cálculo da Matriz de Confusão: O sistema compara as recomendações com o gabarito para classificar cada filme:

   • Verdadeiro Positivo (TP): Filme recomendado que o usuário realmente gostou.
   • Falso Positivo (FP): Filme recomendado que o usuário não gostou (ou não avaliou).
   • Falso Negativo (FN): Filme que o usuário gostou, mas que o sistema não recomendou.
   • Verdadeiro Negativo (TN): Filme que o usuário não gostou e que o sistema corretamente não recomendou.

4. Cálculo das Métricas:

   • Precision (Precisão): Dos filmes recomendados, quantos foram acertos? TP / (TP + FP)
   • Recall (Revocação): De todos os filmes que o usuário gostou, quantos o sistema conseguiu recomendar? TP / (TP + FN)
   • F1-Score: A média harmônica entre Precision e Recall, fornecendo uma métrica de performance balanceada.

⚙️ Funcionamento da API e Endpoints

O backend, construído com FastAPI, expõe uma API RESTful para interagir com o sistema.

• GET /itens: Retorna o catálogo completo de filmes.
• GET /usuarios: Retorna a lista de todos os usuários cadastrados.
• POST /usuarios: Adiciona um novo usuário ao sistema.
• POST /avaliacoes: Adiciona uma nova avaliação (gostei/não gostei) de um filme para um usuário.
• GET /avaliacoes/{usuario_id}: Retorna o histórico de avaliações de um usuário específico.
• POST /recomendar: Gera e retorna uma lista de filmes recomendados para um usuário.
• GET /metricas/{usuario_id}: Calcula e retorna as métricas de performance (Precision, Recall, F1) e a matriz de confusão detalhada para um usuário.

✨ Funcionalidades do Frontend

A interface do RICE, desenvolvida com Streamlit, é organizada em abas para uma experiência de usuário clara e funcional:

• Gerenciar Usuário: Permite selecionar um usuário ativo ou criar um novo. O usuário selecionado aqui é usado como contexto para todas as outras abas.
• Adicionar Avaliação: Permite que o usuário ativo avalie filmes do catálogo, influenciando diretamente seu perfil de recomendação.
• Recomendações: Gera e exibe uma lista de filmes recomendados em formato de cards, com pôster e pontuação de similaridade.
• Avaliação do Sistema: Exibe as métricas de performance (Precision, Recall, F1-Score) em tempo real para o usuário ativo, além de gráficos e listas detalhadas da matriz de confusão (TP, FP, FN, TN).

---