Recommendation Systems have become prevalent in recent years, attracting the attention of researchers to investigate different methods to filter relevant information for users. This information is not always explicit and different proposals have emerged to obtain the latent values of individuals through their behavior. In educational areas, latent attributes of test-takers can be acquired by psychometric models such as the Cognitive Diagnostic Model. These models attempt to create a users profile in order to explore the connections between students and subjects, just like a recommendation system does with its users and the products to be recommended. The objective of this work is to develop a new recommendation approach that incorporates Cognitive Diagnostic Models applied to data from media defined by discrete content (such as genres in movies and series) in order to generate its polytomous response in the form of the rating prediction that a user would give to each item. The proposed approach was applied to two datasets (MovieLens 20M Dataset and Anime Recommendation Database) and, due to the sparsity of the data, obtained in some cases better results than a classic content-based filtering recommendation method. Then, our new recommendation approach was fused to the classic recommendation model and this hybrid recommendation system obtained some results that were better when compared with the ones acquired by the individual systems. Finally, this work also explored the performance of the models in ranking items to be recommended for the users. Some interesting points were observed and the proposed model had the best performance even compared to the hybrid model.

Sistemas de Recomendação tornaram-se predominantes nos últimos anos, atraindo a atenção de pesquisadores para investigar diferentes métodos de filtragem de informações relevantes para os usuários. Estas informações nem sempre são explícitas e diferentes propostas surgiram para obter os valores latentes de indivíduos por meio de seu comportamento. Nas áreas educacionais, os atributos latentes de estudantes podem ser obtidos por modelos psicométricos como o Modelo de Diagnóstico Cognitivo. Esses modelos tentam criar um perfil de usuário para explorar as conexões entre alunos e disciplinas, assim como um sistema de recomendação faz com seus usuários e os produtos a serem recomendados. O objetivo deste trabalho é desenvolver uma nova abordagem em sistemas de recomendação que incorpore Modelos de Diagnóstico Cognitivo aplicados a dados de mídias definidas por conteúdos discretos (como gêneros em filmes e séries) para gerar respostas politômicas na forma de previsões de notas que um usuário daria a um item. A abordagem proposta foi aplicada a dois conjuntos de dados (MovieLens 20M Dataset and Anime Recommendation Database) e, devido à esparsidade de dados, obtidos em alguns casos resultados melhores do que um método clássico de recomendação de filtragem baseada em conteúdo. Em seguida, o sistema de recomendação com a abordagem proposta por este projeto foi integrada junto com um modelo de recomendação clássico e o sistema de recomendação híbrido criado obteve alguns resultados melhores quando comparados com os adquiridos pelos sistemas individuais. Por fim, este trabalho também explorou o desempenho dos modelos no ranqueamento de itens a serem recomendados aos usuários. Alguns pontos interessantes foram observados e o modelo proposto teve o melhor desempenho mesmo comparado ao modelo híbrido.