Mitigação de Vieses em Sistemas de Recomendação: Uma Abordagem Híbrida de Calibração de Popularidade com LLMs e Otimização de Prompts (2025)
- Authors:
- Autor USP: SOUZA, RODRIGO FERRARI DE - ICMC
- Unidade: ICMC
- Subjects: SISTEMAS DE RECOMENDAÇÃO; INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL; JUSTIÇA
- Language: Português
- Abstract: Sistemas de Recomendação (SR) são amplamente utilizados para personalizar conteúdos em plataformas digitais. Contudo, frequentemente reforçam vieses de popularidade, bolhas de filtro e polarização, limitando a diversidade e comprometendo a justiça. Avanços recentes em Large Language Models (LLMs) abrem novas oportunidades para enfrentar esses desafios por meio de interação em linguagem natural e técnicas avançadas de engenharia de prompts. Este trabalho investiga o desempenho de estratégias de recomendação baseadas em LLMs em comparação com métodos tradicionais de calibração, bem como os efeitos de diferentes estratégias de otimização de prompts na qualidade de recomendações multiobjetivo. Foram conduzidos experimentos no conjunto de dados MovieLens, avaliando oito modelos baseline (incluindo calibração por popularidade e por gênero, Bayesian Personalized Ranking e abordagens híbridas) em relação a um recomendador baseado em LLM (LLaMa 3.1-8binstruct), com e sem otimização de prompts. A avaliação considerou múltiplas métricas — MAP, NDCG@10, Long Tail Coverage (LTC), F1 Score para justiça, RMSE para descalibração de popularidade e uma métrica agregada baseada na Multi-Attribute Utility Theory (MAUT) — ao longo de seis execuções independentes. A significância estatística foi verificada por meio do teste não paramétrico de Wilcoxon, com nível de significância de 5%. Os resultados mostram que a estratégia baseada em LLM, mesmo sem otimização, supera a maioria dos métodos tradicionais em acurácia de ranqueamento e alcança um equilíbrio favorável entre diversidade e justiça. A otimização de prompts não gerou ganhos uniformes, mas se mostrou eficaz para ajustar as prioridades do sistema: algumas configurações preservaram a precisão, enquanto outras ampliaram a diversidade e a exposição à cauda longa.Esses achados indicam que LLMs podem atuar como componentes robustos e adaptáveis em SRs multiobjetivo, com a engenharia de prompts funcionando como mecanismo de ajuste fino para atender a metas específicas de aplicação. Como trabalhos futuros, propõe-se realizar testes A/B em ambiente online, ampliar a análise para outros domínios e conjuntos de dados com diferentes graus de popularidade e esparsidade, e explorar novas técnicas de otimização de prompts integradas a métricas de justiça, visando aumentar a adaptabilidade e o impacto social de recomendadores baseados em LLMs.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
-
ABNT
SOUZA, Rodrigo Ferrari de. Mitigação de Vieses em Sistemas de Recomendação: Uma Abordagem Híbrida de Calibração de Popularidade com LLMs e Otimização de Prompts. 2025. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2025. Disponível em: https://bdta.abcd.usp.br/directbitstream/2a38bade-28ad-453d-a436-659ba93c3a72/Rodrigo_Ferrari_de_Souza_TCC_2025.pdf. Acesso em: 07 abr. 2026. -
APA
Souza, R. F. de. (2025). Mitigação de Vieses em Sistemas de Recomendação: Uma Abordagem Híbrida de Calibração de Popularidade com LLMs e Otimização de Prompts (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/2a38bade-28ad-453d-a436-659ba93c3a72/Rodrigo_Ferrari_de_Souza_TCC_2025.pdf -
NLM
Souza RF de. Mitigação de Vieses em Sistemas de Recomendação: Uma Abordagem Híbrida de Calibração de Popularidade com LLMs e Otimização de Prompts [Internet]. 2025 ;[citado 2026 abr. 07 ] Available from: https://bdta.abcd.usp.br/directbitstream/2a38bade-28ad-453d-a436-659ba93c3a72/Rodrigo_Ferrari_de_Souza_TCC_2025.pdf -
Vancouver
Souza RF de. Mitigação de Vieses em Sistemas de Recomendação: Uma Abordagem Híbrida de Calibração de Popularidade com LLMs e Otimização de Prompts [Internet]. 2025 ;[citado 2026 abr. 07 ] Available from: https://bdta.abcd.usp.br/directbitstream/2a38bade-28ad-453d-a436-659ba93c3a72/Rodrigo_Ferrari_de_Souza_TCC_2025.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Rodrigo_Ferrari_de_Souza_... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
