Sistemas de Recomendação têm ganhado importância e visibilidade principalmente em aplicações de e-commerce e transmissão de música e vídeos, nas quais a quantidade de itens que o usuário pode escolher ´e muito grande. Isso porque ao diminuir as opções aos itens de maior interesse, facilita a escolha por parte do usuário. Situações de cold start (usuário novo no sistema) dificultam a recomendação devido `a falta de informações sobre preferências do usuário. Dados de redes sociais podem ser utilizadas como fonte de informação para reduzir o impacto de cold-start. Neste cenário, identificar o grupo de amigos com maior afinidade e os amigos mais influentes podem melhorar a recomendação. Propõe-se nesta pesquisa a utilização de dados de redes sociais como principal fonte de informação externa para recomendar itens para usuários cold-start. Mais especificamente, a partir da entrada do novo usuário no sistema, por meio das credenciais da sua rede social, identifica-se seu grupo de amigos e, dentre estes, os de maior influência, para que mediante as informações de preferências deste(s) usuário(s) influente(s), se recomendem itens (músicas) ao usuário cold-start. Revisões da literatura mostraram que o modelo de fatoração de matriz e grafos tem sido as principais técnicas empregada, respectivamente, no processo de recomendação e na modelagem das interações em redes sociais. Para validar a proposta, utilizou-se um experimento controlado, no qual teve-se a efetiva participação de 20 usuários. Uma rede social, construída especialmente para a proposta, reteve informações sobre a interação entre amigos na rede social, e também, o acesso dos mesmos a um serviço de streaming de música. Nos testes foram elaboradas duas listas de recomendação, com a finalidade de comparar os resultados, uma considerando o modelo de recomendação proposto e outro sem. Os usuários avaliaram a recomendação, dando notas de 1 a 5 para cada música recomendada. A assertividade do modelo foi computada utilizando a métrica de Root Mean Squared Error (RMSE), apresentando resultado de 1,57, o que mostra que a predição da recomendação foi muito próxima aos valores dados pelos usuários. Os resultados também evidenciaram que o modelo proposto pode ser empregado para melhorar a recomendação de qualquer usuário e não apenas cold starts. Assim, considerou-se que o modelo proposto ´e bastante adequado para melhoria da recomendação. Obteve-se a autorização de um comitê de ética para a realização dos experimentos.

Recommender systems have gained importance and visibility especially in e-commerce applications and stream music and videos, in which the amount of items that the user can choose is very large. This is because by reducing the options to the items of greatest interest, it facilitates the user's choice. Cold-start situations (new user in the system) hinder the recommendation due to the lack of information about the user's preferences. Social networking data can be used as a source of information to reduce the cold-start impact. In this scenario, identifying the group of friends with the greatest affinity and the most influential friends can improve the recommendation. It is proposed in this research the use of data from social networks as the main source of external information to recommend items to cold-start users. More specifically, from the entry of the new user into the system, through the credentials of his/her social network, his/her group of friends is identified and, among these, the most influential, so that through the preference information of these (s) influential users, items (songs) are recommended to the coldstart user. Literature reviews have shown that the matrix factorization model and graphs have been the most used techniques, respectively, in the recommendation process and for modeling interactions in social networks. To validate the proposal, we used a controlled experiment, which had the effective participation of 20 members. A social network, built especially for the proposal, retained information about the interaction between friends on the social network, and also, their access to a music streaming service. In the tests, two lists of recommendations were created with the purpose of comparing the results, one considering the proposed recommendation model and the other without. Users rated each recommended song giving the scoring 1 to 5. The assertiveness of the model computed using the Root Mean Squared Error (RMSE) metric was 1.57, showing that the prediction of the recommendation was very close to the values given by users. The results also showed that the proposed model can be used to improve the recommendation of any user and not just cold-starts. Thus, it was considered that the proposed model is quite adequate to improve the recommendation. The experiment was made with a permission of ethic committee.