Array
(
    [responseDate] => 2023-12-26T04:31:42Z
    [request] => https://periodicos.ufpb.br/index.php/itec/oai
    [GetRecord] => SimpleXMLElement Object
        (
            [record] => SimpleXMLElement Object
                (
                    [header] => SimpleXMLElement Object
                        (
                            [identifier] => oai:periodicos.ufpb.br:article/38189
                            [datestamp] => 2019-07-22T18:22:48Z
                            [setSpec] => itec:APQ
                        )

                    [metadata] => SimpleXMLElement Object
                        (
                            [dc] => SimpleXMLElement Object
                                (
                                    [title] => Proposta de modelo de recomendação de conteúdo baseado em arquivos de legendas de filmes e séries
                                    [creator] => Array
                                        (
                                            [0] => Maia, Luiz
                                            [1] => Gomes Brito, Armstrong
                                        )

                                    [description] => A crescente complexidade dos objetos armazenados e o grande volume de dados exigem modelos de recuperação e recomendação cada vez mais sofisticados. O objetivo deste trabalho é propor um modelo de recomendação de conteúdo baseado em arquivos de legendas de filmes e séries. Utilizando a ferramenta Apache Lucene para recuperação da informação, e a ferramenta OGMA, para análise de textos, foi possível propor para o modelo, três etapas distintas: uma pesquisa utilizando palavra-chave, a classificação de filmes e séries por gênero e a identificação de títulos similares. Também é apresentado uma adaptação ao modelo para identificar em cada título um sentimento, denominado análise de sentimentos. Como resultado ressaltamos que a pesquisa por palavras-chave gerou recomendações relevantes, já que proporcionam ao usuário liberdade de pesquisa dentro de um conteúdo específico. Já a classificação por gênero apresentou índice de 73% de acerto em comparação com os gêneros apresentados pelo site IMDb, facilitando a recomendação de conteúdo. A análise de sentimentos demonstrou recomendações com coesão, determinando títulos apropriados para cada sentimento. Por último, a identificação de títulos similares, apresentou resultados primários, trazendo apenas filmes e séries com a mesma temática, sem apresentar nenhum resultado em comum com o site IMDb. Concluiu-se que apesar da enorme dificuldade de ser assertivo na recuperação da informação, existem vantagens em se utilizar os arquivos de legendas para ajudar na composição dos sistemas de recomendação.
                                    [publisher] => ANCIB
                                    [date] => 2018-06-05
                                    [type] => Array
                                        (
                                            [0] => info:eu-repo/semantics/article
                                            [1] => info:eu-repo/semantics/publishedVersion
                                        )

                                    [format] => application/pdf
                                    [identifier] => https://periodicos.ufpb.br/index.php/itec/article/view/38189
                                    [source] => Array
                                        (
                                            [0] => Information & Technology; Vol. 3 No. 2 (2016): Informação & Tecnologia - Especial Enancib 2016 - parte 2; 144-163
                                            [1] => Informação & Tecnologia; v. 3 n. 2 (2016): Informação & Tecnologia - Especial Enancib 2016 - parte 2; 144-163
                                            [2] => 2358-3908
                                        )

                                    [language] => por
                                    [relation] => https://periodicos.ufpb.br/index.php/itec/article/view/38189/20173
                                    [rights] => Copyright (c) 2018 Informação & Tecnologia
                                )

                        )

                )

        )

)