Disciplina: FGA0210 - PARADIGMAS DE PROGRAMAÇÃO - T01
Nro do Grupo: 02
Paradigma: Lógico
| Matrícula | Aluno |
|---|---|
| 20/0013181 | Adne Moretti Moreira |
| 20/0057227 | Caio Vitor Carneiro de Oliveira |
| 19/0085819 | Cícero Barrozo Fernandes Filho |
| 19/0045817 | Gabriel Costa de Oliveira |
| 20/0018205 | Gabriel Moretti de Souza |
| 20/0019015 | Guilherme Puida Moreira |
| 20/0067923 | João Henrique Marques Calzavara |
| 20/2023903 | Lucas Lopes Rocha |
O projeto se trata de uma ferramenta que usa uma base de dados do Kaggle (YouTube Trending Video Dataset) para oferecer recomendações personalizadas de vídeos do YouTube. Você pode refinar suas recomendações por categoria, popularidade (likes por view) e data de publicação. Nossa missão é ajudá-lo a descobrir conteúdo relevante e emocionante de acordo com suas preferências utilizando o paradigma lógico. Este projeto foi inspirado no próprio sistema de filtragem e recomendação do YouTube e no projeto SpotifyRecommendation.
Linguagens: Prolog
Tecnologias: SWI-Prolog
sudo apt-add-repository ppa:swi-prolog/stablesudo apt-get updatesudo apt-get install swi-prologO swi-prolog também está empacotado no Debian. Para instalar direto do
repositório oficial:
sudo apt install swi-prolog-fullÉ importante instalar o pacote -full para obter também a biblioteca gráfica
utilizada pelo projeto (XPCE).
Para rodar nosso projeto você deve fazer os seguintes passos após realizar a instalação explicada acima.
- Clona o repositório e entra no diretório do projeto.
git clone https://github.com/UnBParadigmas2023-2/2023.2_G2_Logico_YouTubeRecommendation.git \
&& cd 2023.2_G2_Logico_YouTubeRecommendation- Carrega o arquivo que contém o ponto de entrada principal do projeto dentro de uma REPL do
swi-prolog.
swipl -s src/main.pl- Executa o ponto de entrada principal do projeto, abrindo o menu principal.
main.A imagem a seguir ilustra os passos descritos acima:
Também é possível executar o projeto com o docker, utilizando o X11Forwarding. Segue comandos de execução com docker:
- Constrói a imagem Docker contendo os requisitos necessários para executar o projeto.
make build - Cria um novo container Docker com base na imagem construida acima, e carrega o projeto em uma REPL do
swi-prolog.
make run- Executa o ponto de entrada principal do projeto, abrindo o menu principal.
main. O vídeo de apresentação está disponível em:
| Nome do Membro | Contribuição | Significância da Contribuição para o Projeto (Excelente/Boa/Regular/Ruim/Nula) |
|---|---|---|
| Adne Moretti Moreira | Criar filtro de views/likes, integrações finais | Excelente |
| Caio Vitor Carneiro de Oliveira | Criar filtro de views/likes, integrações finais | Excelente |
| Cícero Barrozo Fernandes Filho | Criar filtro de categoria, integrações finais | Excelente |
| Gabriel Costa de Oliveira | Criar filtro de data, separação do menu, integrações finais | Excelente |
| Gabriel Moretti de Souza | Separação do menu, integrações finais | Excelente |
| Guilherme Puida Moreira | Criar banco de dados, ajuda na criação dos filtros, integrações finais | Excelente |
| João Henrique Marques Calzavara | Criar filtro de categoria, integrações finais | Excelente |
| Lucas Lopes Rocha | Criar filtro de data, integrações finais | Excelente |
- Paradigma Lógico (Prolog): A principal lição aprendida foi a compreensão e aplicação do paradigma lógico na programação do sistema de recomendações. Utilizar Prolog como linguagem principal permitiu-nos representar e raciocinar sobre os dados de forma lógica e declarativa, facilitando a manipulação de informações.
- Processamento de Dados do Kaggle: Lidar com uma base de dados do Kaggle exigiu habilidades de pré-processamento. Aprendemos a importância da limpeza de dados e do uso eficaz de consultas lógicas para extrair informações relevantes.
- Recomendações Personalizadas: Compreendemos como desenvolver algoritmos de recomendação personalizada, considerando preferências do usuário, categorias, popularidade e datas de publicação. A adaptação das recomendações às preferências do usuário foi um desafio significativo.
- Implementação Bem-sucedida: Conseguimos criar com sucesso um sistema de recomendações de vídeos do YouTube baseado em Prolog. Isso permitiu que os usuários recebessem recomendações personalizadas.
- Utilização Eficiente da Base de Dados do Kaggle: Aproveitamos ao máximo a base de dados do Kaggle, aproveitando os insights que ela proporcionou para melhorar a qualidade das recomendações.
- Implementação do Paradigma Lógico: A transição para o paradigma lógico, especificamente o uso do Prolog, representou um desafio considerável para a equipe de desenvolvimento. A lógica declarativa e a abordagem não convencional exigiram tempo para compreensão e ajustes, o que afetou o ritmo do desenvolvimento.
- Ampliação da Base de Dados: Buscar fontes de dados adicionais para enriquecer a base de dados e melhorar a variedade e qualidade das recomendações.
- Inteligência Artificial e Aprendizado de Máquina: Incorporar técnicas de IA e aprendizado de máquina para aprimorar ainda mais a precisão das recomendações e adaptá-las dinamicamente com base no comportamento de um usuário.
- Interface do Usuário Aprimorada: Investir em uma interface de usuário mais amigável e interativa para tornar a experiência do usuário mais agradável.
- Testes e Avaliações contínuas: Realizar testes regulares com os usuários para ajustar e melhorar o algoritmo de recomendação com base no feedback real.
- Expansão para Plataformas Móveis: Desenvolver versões móveis do programa para atingir um público mais amplo e oferecer recomendações em dispositivos móveis.
- Inspirado em: https://github.com/UnBParadigmas2022-1/2022.1_G5_Logico_SpotifyRecommendation;
- Interface gráfica(XPCE): https://eu.swi-prolog.org/packages/xpce/UserGuide/sec-A.1.html;
- Marca uma ação para todas as ligações alternativas: https://www.swi-prolog.org/pldoc/man?predicate=forall/2
- Notes about findall/3: https://github.com/dtonhofer/prolog_notes/blob/master/swipl_notes/about_findall/README.md
- prolog_notes: https://github.com/dtonhofer/prolog_notes/tree/master/swipl_notes