Libro disponible en 5 dias hábiles.

b'Cold-Start Problem \xe9 um problema recorrente em Sistemas de Recomenda\xe7\xe3o nas seguintes situa\xe7\xf5es: quando um novo item \xe9 adicionado ao sistema e n\xe3o possui nenhuma avalia\xe7\xe3o pr\xe9via; ou quando um usu\xe1rio sem hist\xf3rico de avalia\xe7\xe3o entra no sistema. Avaliando as diferentes situa\xe7\xf5es em que o Cold-Start Problem se apresenta, \xe9 poss\xedvel considerar o uso do hist\xf3rico de navega\xe7\xe3o como alternativa para gera\xe7\xe3o de recomenda\xe7\xf5es. Levando em conta o formato sequencial dos dados, estudos sugerem o uso de Redes Neurais Recorrentes (RNN) por permitir maior entendimento da sequ\xeancia de dados e seu contexto. Durante a revis\xe3o sistem\xe1tica realizada neste trabalho, as arquiteturas de LSTM, GRU e h\xedbridas aparecem com frequ\xeancia entre as pesquisas relacionadas ao tema. Entretanto, os autores dos trabalhos revisados n\xe3o comparam as arquiteturas entre si, o que \xe9 crucial para o entendimento das vantagens e desvantagens do uso de dados do hist\xf3rico de navega\xe7\xe3o com RNN. Este estudo prop\xf5e a compara\xe7\xe3o das arquiteturas de LSTM, GRU e h\xedbridas de RNN atrav\xe9s da cria\xe7\xe3o de prot\xf3tipos utilizando a mesma base de entrada, avaliando suas performances atrav\xe9s dos valores de Acur\xe1cia, Revoca\xe7\xe3o, Precis\xe3o e F1-Score.'