Banca de DEFESA: SAMUEL DE OLIVEIRA RIBEIRO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: SAMUEL DE OLIVEIRA RIBEIRO
DATA: 06/04/2026
HORA: 14:00
LOCAL: Sala de videoconferências do PPGCC
TÍTULO: Classificação Multimodal de Coleções de NFTs: Uma Análise Comparativa entre Aprendizado Supervisionado e Modelos de Linguagem de Grande Escala
PALAVRAS-CHAVES: NFTs, classificação, embeddings, aprendizado supervisionado, mineração de dados
PÁGINAS: 96
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Teleinformática
RESUMO:

Tokens não fungíveis (NFTs) são objetos digitais únicos na Internet, cuja identificação, propriedade e autoria podem ser verificadas via registros em redes blockchain. A adoção de NFTs para o registro de conteúdo digital impulsionou o surgimento de plataformas de negociação desses objetos como ativos financeiros de valor. OpenSea é um exemplo de plataforma pioneira nesse setor, que se tornou mundialmente conhecida e inspirou a organização de coleções de NFTs por categorias, facilitando sua descoberta e avaliação por artistas e colecionadores. No entanto, os critérios utilizados pelas plataformas de comercialização de NFTs para classificar coleções ainda não são claramente definidos, o que pode gerar inconsistências na categorização e dificultar a navegação e a análise do valor desses ativos. Embora a literatura recente tenha avançado na análise de comportamento de usuários, na investigação de redes de transações e na predição do valor de NFTs, ainda há uma lacuna em métodos automatizados para a classificação semântica de coleções de NFTs. As abordagens existentes concentram-se principalmente em atributos estruturais derivados de dados de mercado ou em características visuais dos ativos, frequentemente apresentando limitações relacionadas à variabilidade temporal dos dados ou ao alto custo computacional de processamento de imagens. Para enfrentar esse problema, investigamos a classificação automática de coleções de NFTs a partir da integração de diferentes fontes de informação e paradigmas de inferência. Inicialmente, são avaliados modelos supervisionados de aprendizado de máquina utilizando três cenários de atributos: (i) estatísticas de mercado derivadas da atividade das coleções, (ii) representações semânticas obtidas por meio de embeddings das descrições textuais das coleções, e (iii) a combinação de ambos em uma abordagem multimodal. Posteriormente, são analisados modelos de linguagem de grande escala (LLM) como classificadores semânticos diretos, utilizando prompts estruturados baseados nas descrições e nos atributos das coleções. Os experimentos foram conduzidos sobre um conjunto de dados composto por coleções da plataforma OpenSea, classificadas em sete categorias. Os resultados mostram que a abordagem supervisionada multimodal alcança desempenho competitivo, com acurácia de 75,7% e F1-score de 75,4%. Nos experimentos baseados em LLMs, o melhor modelo alcançou acurácia de 73,8%, demonstrando desempenho próximo ao dos modelos supervisionados mesmo sem treinamento específico no domínio. Além disso, a análise de concordância entre modelos revelou elevados níveis de consistência nas decisões de classificação, ao mesmo tempo em que identificou divergências relevantes em relação aos rótulos atribuídos pela plataforma. Esse resultado sugere que parte das inconsistências observadas na tarefa pode estar associada a ambiguidades ou ruído no processo de classificação utilizado pela OpenSea, e não apenas às limitações dos classificadores avaliados. Em suma, nessa dissertação demonstramos que a integração de metadados estruturais, representações textuais e modelos de linguagem oferece uma abordagem promissora para a classificação automática de coleções de NFTs. Essa abordagem pode contribuir para o desenvolvimento de ferramentas de organização e de análise do mercado, além de abrir novas possibilidades para sistemas de recomendação e curadoria automática em plataformas de negociação de NFTs.

MEMBROS DA BANCA:
Presidente - 2413428 - GLAUBER DIAS GONCALVES
Interno - 1226761 - RAIMUNDO SANTOS MOURA
Externo à Instituição - 114.***.***-90 - GIOVANNI VENTORIM COMARELA - UFES