Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/13223
Title: Diversificação em sistemas de recomendação utilizando uma abordagem baseada em aspectos.
Other Titles: Diversification in recommendation systems using an aspect-based approach.
???metadata.dc.creator???: OLIVEIRA, Ricardo Santos de.
???metadata.dc.contributor.advisor1???: MARINHO, Leandro Balby.
???metadata.dc.contributor.referee1???: PEREIRA, Eanes Torres.
???metadata.dc.contributor.referee2???: CAMPELO, Cláudio Elízio Calazans.
???metadata.dc.contributor.referee3???: SANTOS, Rodrygo Luis Teodoro.
???metadata.dc.contributor.referee4???: MOURA, Edleno Silva de.
Keywords: Sistemas de Recomendação;Ciência de Dados;Metodologia e Técnicas da Computação;Diversificação;Multiobjetivo;Multi-Armed Bandits;Recommendation Systems;Data Science;Computing Methodology and Techniques;Diversification;Multiobjective
Issue Date: 30-Apr-2020
Publisher: Universidade Federal de Campina Grande
Citation: OLIVEIRA, R. S. de. Diversificação em sistemas de recomendação utilizando uma abordagem baseada em aspectos. 2020. 109 f. Tese (Doutorado em Ciência da Computação) – Programa de Pós-Graduação em Ciência da Computação, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande, Paraíba, Brasil, 2020.
???metadata.dc.description.resumo???: Muitas abordagens de sistemas de recomendação bem sucedidas são baseadas na otimização de uma função de utilidade explícita definida em termos da diferença entre o item previsto e os itens presentes no histórico do usuário. Dessa forma, busca-se aumentar a probabilidade de itens relevantes serem recomendados ao usuário. Apesar de efetiva, essa abordagem pode levar a recomendações que, apesar de relevantes, sejam óbvias e desinteressantes, uma vez que o usuário poderia, em muitas ocasiões, descobrir estes itens de interesses em o auxílio de um sistema de recomendação. Muitas abordagens investigam esse problema tentando evitar listas de recomendação cujos itens sejam muito similares entre si, caracterizando uma recomendação diversa, com respeito a alguns aspectos do item, sem que isso acarrete numa consequente degradação da relevância dos itens recomendados. Entretanto, os usuários podem ter preferências diferentes no que diz respeito a quais aspectos devem ser diversificados e quais aspectos devem ser semelhantes ao seu gosto passado e/ou atual. Neste trabalho, essas considerações são levadas em conta para a proposição de modelos baseados em otimização multiobjectivo para a geração de listas de recomendação que buscam o balanço ótimo entre os aspectos que devem ser mantidos fixos, maximizando a similaridade com itens previamente consumidos pelo usuário, e aspectos que devem ser diversificados, minimizando-se a similaridade e com outros itens na lista de recomendação. Para avaliar os modelos propostos foram conduzidos experimentos utilizando-se dados reais de históricos de usuários do Last.fm, em conjunto com metadados acerca dos itens recomendados, obtidos em múltiplas fontes. Foram realizadas avaliações tanto offline, istoé, utilizando todo o histórico do usuário para produzir a avaliação, como online, onde recomendações são geradas ao longo de uma linha do tempo, levando em consideração alterações nos interesses do usuário que devem ser refletidas na recomendação, o que reflete a aplicação real de um sistema de recomendação. Os resultados obtidos nos experimentos demonstram a efetividade dos modelos propostos tanto offline como online, em comparação a abordagens estado-da-arte da literatura com propostas semelhantes.
Abstract: Many success ful recommendation approache sare based on the optimization of some explicit utility function defined in term sof them is fit between the predicted and the actual item sof the user. Al though effective, this approach may lead to recommendations that are relevant But obvious and uninteresting. Many approaches investigate this problem by trying to avoid recommendation lists in which item sarevery similar toeachother (akadiversification) with respect to some aspect of the item. However, users may have very diferente preferences concerning what aspects should be diversified and whats hould match their past/current preferences. In this work, we take this in to consideration by proposing solutions base don multi objective optimization for generating recommendation lists featuring the optimal balance between the aspects thats hould be held fixed (maximize similarity with users actual items) and the one sthat should be diversified (minimize similarity with other item sin the recommendation list). In order to evaluate the proposed models, simulations were carried out using real Last.fm Data sets, together with metadata about there commended items. Evaluations were carried out both offline, that is, using the entire user history to produce there commendation, and online, where recommendations are generated along the timeline, takingin to account changes in the user’s interests that should be reflected in the recommendation, which resembles the actual application of are commendation system. The results obtained in the experiments demonstrate the effective ness of the models proposed both offline and online, compared to state-of-the-art approaches in the literature with similar proposals.
Keywords: Sistemas de Recomendação
Ciência de Dados
Metodologia e Técnicas da Computação
Diversificação
Multiobjetivo
Multi-Armed Bandits
Recommendation Systems
Data Science
Computing Methodology and Techniques
Diversification
Multiobjective
???metadata.dc.subject.cnpq???: Ciência da Computação
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/13223
Appears in Collections:Doutorado em Ciência da Computação.

Files in This Item:
File Description SizeFormat 
RICARDO SANTOS DE OLIVEIRA - TESE (PPGCC) 2020.pdf1.35 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.