Sistemas de recomendação e processamento de linguagem natural: uma revisão estruturada e tendências emergentes com o suporte de ferramentas de inteligência artificial

Tsunoda, D. F., Ribeiro, P. F. R., Pires, J. de L., Hubner, K. V. ., Reis, M. H. A. dos, Bastos, P. A., & Rigo, R. . (2026). Sistemas de recomendação e processamento de linguagem natural: uma revisão estruturada e tendências emergentes com o suporte de ferramentas de inteligência artificial. Investigación Bibliotecológica: rchivonomía, bibliotecología información, 40(106), 79–108. https://doi.org/10.22201/iibi.24488321xe.2026.106.59106

Métricas de PLUMX

Resumo

Este artigo apresenta uma revisão estruturada da literatura sobre sistemas de recomendação que utilizam processamento de linguagem natural (PLN), abrangendo publicações entre 2020 e 2025. O corpus final compreendeu 240 artigos analisados integralmente após o processo de triagem e deduplicação (214 de 2020-2024 e 26 de 2025). A curadoria e a organização dos dados foram apoiadas por ferramentas digitais como Zotero, Rayyan, SciSpace, NotebookLM e Biblioshiny. Os resultados evidenciam a predominância de técnicas de aprendizado profundo, com destaque para modelos como BERT, Word2Vec e GPT, além do uso crescente de modelos de linguagem de grande escala e grafos de conhecimento. No entanto, não foram encontrados registros na Revista Brasileira de Informática na Educação (RBIE) ou na biblioteca digital da Sociedade Brasileira de Computação (SBC-OpenLib), indicando que, em comparação a domínios globais, a produção científica em nichos específicos nacionais ainda é incipiente. Essa lacuna evidencia oportunidades relevantes para a transposição de técnicas avançadas de processamento de linguagem natural para domínios específicos ainda pouco explorados nacionalmente, como o contexto educacional, além de fomentar a formação de pesquisadores no uso de metodologias de revisão sistemática assistidas por inteligência artificial.

https://doi.org/10.22201/iibi.24488321xe.2026.106.59106

PDF

Referências

Baker, Ryan Shaun Joazeiro de, Seiji Isotani e Adriana Maria Joazeiro Baker de Carvalho. 2011. “Mineração de dados educacionais: oportunidades para o Brasil”. Revista Brasileira de Informática na Educação 19 (2): 3-13. https://doi.org/10.5753/RBIE.2011.19.02.03

Bazzan, Jordana, Márcia Elisa Echeveste, Carlos Torres Formoso, Bernardo Altenbernd e Márcia Helena Barbian. 2023. “An Information Management Model for Addressing Residents’ Complaints Through Artificial Intelligence Techniques”. Buildings 13 (3), e737. https://doi.org/10.3390/buildings13030737

Bojanowski, Piotr, Edouard Grave, Armand Joulin e Tomas Mikolov. 2017. “Enriching Word Vectors with Subword Information”. Transactions of the Association for Computational Linguistics 5: 135-46. https://doi.org/10.1162/tacl_a_00051

Brown, Tom B., Benjamin Mann, Nick Ryder, Melanie Subbiah, Jared Kaplan, Prafulla Dhariwal, Arvind Neelakantan et al. 2020. “Language Models are Few-Shot Learners”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.2005.14165

Cho, Kyunghyun, Bart van Merriënboer, Caglar Gulcehre, Dzmitry Bahdanau, Fethi Bougares, Holger Schwenk e Yoshua Bengio. 2014. “Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation”. Em Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), organizado por Alessandro Moschitti, Bo Pang e Walter Daelemans, 1724-34. Association for Computational Linguistics. https://doi.org/10.3115/v1/D14-1179

Devlin, Jacob, Ming-Wei Chang, Kenton Lee e Kristina Toutanova. 2019. “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1810.04805

Gugnani, Akshay, e Hemant Misra. 2020. “Implicit Skills Extraction Using Document Embedding and its Use in Job Recommendation”. Proceedings of the AAAI Conference on Artificial Intelligence 34 (8): 13286-93. https://doi.org/10.1609/aaai.v34i08.7038

Hochreiter, Sepp, e Jürgen Schmidhuber. 1997. “Long Short-Term Memory”. Neural Computation 9 (8): 1735-80. https://doi.org/10.1162/neco.1997.9.8.1735

Kim, Yoon. 2014. “Convolutional Neural Networks for Sentence Classification”. Em Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), organizado por Alessandro Moschitti, Bo Pang, Walter Daelemans, 1746-51. Association for Computational Linguistics. https://doi.org/10.3115/v1/D14-1181

Kingma, Diederik P., e Max Welling. 2014. “Auto-encoding Variational Bayes”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1312.6114

Le, Quoc V., e Tomas Mikolov. 2014. “Distributed Representations of Sentences and Documents”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1405.4053

Lin, Jianghao, Xinyi Dai, Yunjia Xi, Weiwen Liu, Bo Chen, Hao Zhang, Yong Liu et al. 2024. “How Can Recommender Systems Benefit from Large Language Models: A Survey”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.2306.05817

Liu, Bing. 2012. Sentiment Analysis and Opinion Mining. Springer. https://doi.org/10.2200/S00416ED1V01Y201204HLT016

Liu, Yinhan, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy et al. 2019. “RoBERTa: A Robustly Optimized BERT Pretraining Approach”. Pré-publicação Arxiv. https://arxiv.org/abs/1907.11692

Manning, Christopher D., Prabhakar Raghavan e Hinrich Schütze. 2008. Introduction to Information Retrieval. Cambridge University Press. https://doi.org/10.1017/CBO9780511809071

Mikolov, Tomas, Kai Chen, Greg Corrado e Jeffrey Dean. 2013a. “Efficient Estimation of Word Representations in Vector Space”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1301.3781

Mikolov, Tomas, Ilya Sutskever, Kai Chen, Greg Corrado e Jeffrey Dean. 2013b. “Distributed Representations of Words and Phrases and their Compositionality”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1310.4546

Page, Matthew J., Joanne E. McKenzie, Patrick M. Bossuyt, Isabelle Boutron, Tammy C. Hoffmann, Cynthia D Mulrow, Larissa Shamseer et al. 2021. “The PRISMA 2020 Statement: An Updated Guideline for Reporting Systematic Reviews”. BMJ 372, 71. https://doi.org/10.1136/bmj.n71

Pennington, Jeffrey, Richard Socher e Christopher Manning. 2014. “GloVe: Global Vectors for Word Representation”. Em Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), organizado por Alessandro Moschitti, Bo Pang e Walter Daelemans, 1532-43. Association for Computational Linguistics. https://doi.org/10.3115/v1/D14-1162

Pereira, Aluisio José, Alex Sandro Gomes e Tiago Thompsen Primo. 2022. “Design de sistema e recomendação educacional: abordagens com Mágico de Oz”. Em Anais do XXXIII Simpósio Brasileiro de Informática na Educação (SBIE 2022), 1184-95. Sociedade Brasileira de Computação. https://doi.org/10.5753/sbie.2022.225760

Pires, Pedro R., Bruna B. Rizzi e Thiago A. Almeida. 2024. “Why Ignore Content? A Guideline for Intrinsic Evaluation of Item Embeddings for Collaborative Filtering”. Em Brazilian Symposium on Multimedia and the Web (Webmedia), 345-354. Sociedade Brasileira de Computação. https://doi.org/10.5753/webmedia.2024.243199

Qiu, Zhangchi, Ye Tao, Shirui Pan e Alan Wee-Chung Liew. 2024. “Knowledge Graphs and Pretrained Language Models Enhanced Representation Learning for Conversational Recommender Systems”. IEEE Transactions on Neural Networks and Learning Systems 36 (4): 6107-21. https://doi.org/10.1109/tnnls.2024.3395334

RBIE (Revista Brasileira de Informática na Educação). s. d. About the Journal. Acessado em 19 de março, 2026. https://journals-sol.sbc.org.br/index.php/rbie

Ricci, Francesco, Lior Rokach e Bracha Shapira, orgs. 2015. Recommender Systems Handbook, 2.º ed. Springer. https://doi.org/10.1007/978-1-4899-7637-6

Salton, Gerard, e Christopher Buckley. 1988. “Term-Weighting Approaches in Automatic Text Retrieval”. Information Processing & Management 24 (5): 513-23. https://doi.org/10.1016/0306-4573(88)90021-0

Sanh, Victor, Lysandre Debut, Julien Chaumond e Thomas Wolf. 2019. “DistilBERT, a Distilled Version of BERT: Smaller, Faster, Cheaper and Lighter”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1910.01108

SBC (Sociedade Brasileira de Computação). s. d. SBC OpenLib (SOL). Acessado em 19 de março, 2026. https://sol.sbc.org.br

Shaikh, Aryaan, Nikita Newalkar, Sakshi Gaikwad, Namrata Kadav e Chaitali Shewale. 2023. “Autocomplete Recommendation Plugin and Summarizing Text Using Natural Language Processing”. Journal of Innovation Information Technology and Application (JINITA) 5 (2): 114-23. https://doi.org/10.35970/jinita.v5i2.1912

Singla, Priyanka, e Vishal Verma. 2025. “An Intelligent Job Recommendation System Based on Semantic Embeddings and Machine Learning”. Journal of Information Systems Engineering and Management 10 (5s): 520-42. https://doi.org/10.52783/jisem.v10i5s.681

Velpula, Koteswara Rao, Hema Pavuluri, Poojitha Neeluri, Anushka Pappala e Mounika Narra. 2024. “Recommendation System for Code Validation and Optimal Refactoring”. International Journal of Advanced Research in Computer and Communication Engineering 13 (3): 80-87. https://doi.org/10.17148/IJARCCE.2024.13313

Yang, Yixiao. 2022. “Improving the Robustness to Data Inconsistency Between Training and Testing for Code Completion by Hierarchical Language Model”. Pré-publicação Arxiv. https://arxiv.org/abs/2003.08080v2

Yang, Fan, Zheng Chen, Ziyan Jiang, Eunah Cho, Xiaojiang Huang e Yanbin Lu. 2023. “PALR: Personalization Aware LLMs for Recommendation”. Pré-publicação Arxiv. https://arxiv.org/abs/2305.07622

Os autores

Devem enviar, para a revista Investigación Bibliotecológica: archivonomía, bibliotecología e información, a Carta de autorização para a publicação de artigos.
cedem o total direito de propriedade intelectual do material submetido à revista; sendo permitido, entretanto, compartir o conhecimento contido na obra nos seguintes âmbitos:

Apoio à docência;
Conferências;
Auto arquivamento em repositórios académicos.
Difusão em redes acadêmicas.
Difusão em blogs, site e página pessoal do autor.

Essa difusão será possível sempre e quando se respeitem as condições de uso dos conteúdos da revista, de acordo à licença Creative Commons:Atribución – No comercial – Sin Derivar 4.0 empregada; e que nos três últimos casos a descarga do texto completo se realize através de links do sistema DOI.

Política de auto arquivamento

Em caso de publicação da obra como modo de auto arquivamento, os autores devem cumprir com as seguintes condições:

a) Reconhecer o direito de autor da revista Investigação Biblioteconômica: arquivologia, biblioteconomia e informação.
b) Estabelecer um link com a versão original submetida no site da revista (DOI do artigo, por exemplo).
c) Difundir a versão definitiva publicada pela revista.

Licença dos conteúdos

A revista Investigación Bibliotecológica: archivonomía, bibliotecología e información permite o acesso e uso de seu conteúdo segundo a licença Creative Commons: Atribuição – Não comercial – Sem Derivar 4.0.

O que implica que os conteúdos apenas podem ser lidos e compartilhados se se reconhece e menciona a autoria da obra. Não se permite o uso da obra alterada ou com fins lucrativos.

Demarcação de responsabilidades

A revista não se faz responsável em caso de que o autor tenha incorrido em fraude ou plágio científico, tampouco dos elegidos pelos autores. Igualmente, não se faz responsável pelos serviços oferecidos por terceiros, a partir dos links disponíveis nos artigos dos autores.

Corroborando, a revista disponibiliza as responsabilidades que o autor deve cumprir no processo de publicação na revista Investigación Bibliotecológica: archivonomía, bibliotecología e información, no seguinte link: Responsabilidades do autor.

No caso de migração de conteúdo do site oficial da revista, implicando alteração de IP ou domínio, o diretor ou editor da revista deverá informá-lo aos autores.

Downloads

Não há dados estatísticos.