Sistema de Recomendação de Restaurantes com Análise de Sentimentos

Este repositório contém o código e a documentação do Projeto de Conclusão "Sistema de Recomendação de Restaurantes por Filtragem Baseada em Conteúdo com Análise de Sentimentos", apresentado ao Programa de Especialização em Data Science e Big Data da Universidade Federal do Paraná (UFPR).

---

Aplicação

Você pode testar a aplicação diretamente na Streamlit Community Cloud:

🔗 Acesse aqui

Interface da Aplicação

---

O Projeto

Este projeto implementa um sistema de recomendação de restaurantes com base em filtragem baseada em conteúdo, enriquecido por uma análise de sentimentos aplicada às avaliações textuais dos usuários. O objetivo é oferecer sugestões personalizadas que conciliem relevância, reputação e diversidade.

Os dados utilizados abrangem 2.181 restaurantes de Curitiba, coletados via APIs públicas do Google Maps e TripAdvisor. As recomendações são pré-processadas e armazenadas em formato .parquet, otimizando a velocidade da aplicação web desenvolvida com Streamlit.

Desenvolvido por Diógenes Antonio Falcade Pereira, com orientação do Prof. Marcos A. Zanata Alves.

---

Funcionalidades

• 🔍 Recomendações por Similaridade: Sugestões personalizadas com base em um escore ponderado entre similaridade, avaliação geral e sentimento.
• 💬 Análise de Sentimentos: Classificação automática (positivo, neutro ou negativo) das avaliações com um modelo leve (LLM Ollama 3.2 1B).
• 🌟 Sugestões Adicionais para Descoberta:
  • Dois restaurantes populares, aleatórios entre os 100 melhores.
  • Uma "joia escondida": restaurante com menos de 100 avaliações, sentimento positivo e alta similaridade.
• ⚡ Interface Rápida e Intuitiva: Desenvolvida com Streamlit, com carregamento em cache.
• 🚀 Desempenho Otimizado: Tempo de resposta inferior a 1 segundo, graças ao pré-processamento.

---

Arquitetura e Metodologia

O sistema foi dividido em duas etapas principais: processamento offline intensivo e interface web leve.

1. Coleta de Dados

• APIs: Google Maps Places e TripAdvisor
• Período: janeiro–fevereiro de 2025
• Armazenamento em banco PostgreSQL

2. Análise de Sentimentos

• Mais de 24 mil comentários classificados com Ollama 3.2 1B (local)
• Métrica: score de sentimento = %positivas - %negativas

3. Engenharia de Atributos e PCA

• Variáveis categóricas transformadas → ~154 atributos
• Redução de dimensionalidade com PCA (preservando 95% da variância)

4. Similaridade e Escore Ponderado

• Métrica de similaridade: distância do cosseno
• Fatores para o ranking final:
  • 70% Similaridade
  • 20% Nota média
  • 10% Score de sentimento

5. Pré-processamento e Exportação

• Recomendações calculadas offline
• Exportadas para .parquet para leitura eficiente com Pandas

6. Interface Web

• Construída com Streamlit
• Carrega os dados em cache (sem recomputação online)

---

Tech Stack

Camada	Ferramentas
Linguagem	Python 3.11
Dados	Pandas, Scikit-learn, SQLAlchemy
Interface	Streamlit
Banco de Dados	PostgreSQL
Coleta de Dados	APIs do Google Maps e TripAdvisor
NLP	Ollama 3.2 1B (LLM local para análise de sentimentos)

---

_{Fluxograma do sistema, conforme Figura 1 do documento técnico.}

Executando Localmente

1. Clone o repositório

git clone https://github.com/diogenesfalcade/RestaurantRecommender
cd RestaurantRecommender

2. Crie e ative um ambiente virtual:

python -m venv pyvenv
# Windows
.\venv\Scripts\activate
# macOS/Linux
source venv/bin/activate

3. Instale as dependências:

pip install -r requirements.txt

4. Execute a aplicação Streamlit:

streamlit run app.py