Traditional works in Recommender Systems focus on making personalized recommendations of new items of interest to users of a database. However, with the growth of streamming platforms and services offered online, generating recommendations for the current user session, considering his/her context, became a big area of interest in the area. Session-Based Recommender Systems focus on recommending items to a user session. When the user has a history of interactions with the platform, previous sessions can be used to infer the users preference. Nevertheless, these platforms can also attract and regularize users by recommending items of interest to anonymous users, usually passerbies, who have only the information available of the current session to make recommendations. This work investigated the use of temporal contexts in Session-Based Recommender Systems, focusing in anonymous sessions recommendations, using neighborhoodbased models, which are among the state-of-the-art models in this task. For this to happen, we performed a deep analysis of the existing neighborhood-based models and analyzed how the application of various contexts in these algorithms influences their performance, as well as providing insights about the interactions made in a given dataset.

Trabalhos tradicionais em Sistemas de Recomendação focam em trazer recomendações personalizadas de novos itens de interesse para os usuários de uma base de dados. Porém, com o crescimento de plataformas de stream e de serviços oferecidos online, produzir recomendações focadas na sessão atual do usuário, levando em conta o seu contexto, se tornou uma grande área de interesse para este setor de pesquisa. A área de Sistemas de Recomendação Baseada em Sessão foca em recomendar items para uma sessão de usuário. Quando o usuário possui um histórico na plataforma, é possível utilizar sessões anteriores para inferir suas preferências. Porém, plataformas também podem atrair e fidelizar usuários recomendando itens de interesse para usuários anônimos, muitas vezes transeuntes, sendo que o sistema possui apenas os dados adquiridos da sessão atual para fazer recomendações. Este trabalho investiga o uso de contextos temporais em Sistemas de Recomendação Baseada em Sessão, com o foco em recomendações para usuários anônimos, utilizando modelos de vizinhança, que estão entre os modelos do estado-da-arte nesta tarefa. Para isso, foi realizado um estudo aprofundado dos modelos de vizinhança existentes e como a aplicação de diversos contextos a esses algoritmos influencia o desempenho deles. Além disso, este trabalho provê também instrospecções sobre as interações realizadas em uma bases de dados.