Em grande parte das aplicações de sistemas de recomendação é importante aumentar o engajamento dos usuários, de modo a apresentar novos conteúdos de seu interesse. Para isso, podem ser utilizados alguns algoritmos de recomendação, como os algoritmos de filtragem colaborativa, que promovem itens similares àqueles que os usuários se interessam, ajudando-os a descobrir novos tipos de conteúdo de que gostam. No entanto, trabalhos recentes mostraram que esse tipo de abordagem apresenta uma conexão entre injustiça, erro de calibração e viés de popularidade nos Sistemas de Recomendação. Ainda que o viés de popularidade promova o consumo de itens mais populares, esse fenômeno também afeta a calibração e justiça das recomendações, onde os gostos de certos usuários não são representados de maneira justa pelo sistema, enquanto outros usuários recebem recomendações consistentes com suas preferências. Nesse sentido, alguns dos trabalhos mais recentes em calibração focam apenas em fornecer recomendações mais justas, não considerando o viés de popularidade que pode amplificar o efeito de cauda longa. Embora outros trabalhos tentem reduzir o impacto do viés de popularidade, não levam em conta o nível de preferência dos usuários por essa característica. Para preencher essa lacuna de pesquisa, o nosso objetivo neste trabalho é estudar formas de calibrar o sistema para trazer recomendações coerentes com as preferências dos usuários e que reduzam o impacto do viés de popularidade. Assim, a proposta é a realização de um estudo sobre abordagens de calibração e de redução do viés de popularidade que tragam recomendações coerentes com os interesses dos usuários de acordo com diferentes níveis de popularidade, sem afetar consideravelmente o nível de satisfação dos usuários com o conteúdo recomendado. Esta pesquisa apresenta contribuições relacionadas à calibração, justiça, experiência do usuário e métricas de avaliação do sistema.

In most recommender systems applications, it is essential to increase user engagement to present new content of interest to them. For this, some recommendation algorithms can be used, such as collaborative filtering, which promotes items similar to those users are interested in, helping them discover new types of content they like. However, recent works have shown that this approach connects unfairness, calibration error, and popularity bias in Recommender Systems. While popularity bias promotes consumption of more popular items, this phenomenon also affects the calibration and fairness of recommendations, where the system does not fairly represent the interests of particular users. In contrast, other users receive recommendations consistent with their preferences. In this sense, some cutting-edge work in calibration only focuses on providing fairer recommendations to users, not considering the popularity bias that can amplify the long-tail effect. Furthermore, although other works try to reduce the impact of popularity bias, they do not consider users preference level for this feature. To address this research gap, our objective in this study is to investigate methods of calibrating the system to provide recommendations that align with user preferences and mitigate the impact of popularity bias. The proposal involves conducting a study on calibration approaches and bias reduction strategies of popularity that yield recommendations consistent with users interests across different levels of popularity, without significantly affecting users satisfaction levels with the recommended content. This research yields insights and contributions pertaining to system calibration, fairness, user experience, and system evaluation metrics.