Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/450
Title: Uma abordagem baseada em linked open data para diversificação de recomendações.
Other Titles: An approach based on linked open data for diversification of recommendations.
???metadata.dc.creator???: LEITE, Nailson Boaz Costa.
???metadata.dc.contributor.advisor1???: MARINHO, Leandro Balby.
???metadata.dc.contributor.advisor2???: PIRES, Carlos Eduardo Santos.
Keywords: Sistemas de Recomendação;Linked Open Data;Recommender Systems;Diversidade - Sistema de recomendação;Lista de recomendações;Trade-off - precisão e diversidade;Métricas de diversidade e acurácia;Algoritmos
Issue Date: 30-Oct-2015
Publisher: Universidade Federal de Campina Grande
Citation: LEITE, NAILSON BOAZ COSTA. Uma abordagem baseada em linked open data para diversificação de recomendações. (Dissertação de Mestrado). 2015. 86f. Programa de Pós-graduação em Ciência da Computação, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande - Paraiba - Brasil, 2015.
???metadata.dc.description.resumo???: A diversidade é um conceito importante em Sistemas de Recomendação (SR), uma vez que recomendações diversificadas podem ajudar o usuário a encontrar itens mais interessantes e relevantes. Diversidade em SR pode ser principalmente alcançada considerando dois aspectos: (i) a semelhança entre os itens da lista de recomendações, sob a suposição de que quanto mais dissimilares os itens na lista, mais diversa ela é; e (ii) a cobertura dos atributos dos itens em um determinado âmbito, ou seja, quanto mais atributos cobertos na lista de recomendações (porexemplo,osgênerosnarecomendaçãodeartistasmusicais),maisdiversa é a lista. Dada a dificuldade de acessar ou extrair atributos dos itens de um SR, o aspecto (i) continuasendoumtópicopredominantenaliteratura. Noentanto,devidoaWebSemânticae ainiciativaLinkedOpenData(LOD),váriosatributoscomumenteencontradosemdiferentes domínios de recomendação (por exemplo, filmes, livros e músicas) tornaram-se disponíveis publicamente em bases de dados RDF, conectadas entre si na chamada LOD Cloud. Neste trabalho, propomos uma nova abordagem para a diversificação em SR, a qual explora as relações semânticas entre os atributos dos itens, extraídos de repositórios de LOD, bem como as suas várias dimensões de conteúdo. Outra contribuição deste trabalho é lidar com o típico trade-off entre a precisão e a diversidade das recomendações por meio da inferência do grau desejado de diversificação (utilizado como parâmetro do diversificador) diretamente do perfil do usuário o. Realizou-se uma avaliação da abordagem proposta em dados reais de usuários coletados do Last.FM, uma rede social e um scrobbler, que armazena o histórico on-line das músicas escutadas pelo usuário. Mostrou-se que a abordagem proposta complementa e supera os trabalhos relacionados em métricas de diversidade e acurácia, por ser capaz de diversificar de modo ajustado ao perfil do usuário e de descobrir novas relações entre os itens a partir de seus atributos e suas relações semânticas, melhorando assim o trade-off entre a precisão e a diversidade da lista de recomendação em comparação com os demais algoritmos utilizados.
Abstract: Diversity is an important concept in Recommender Systems (RS) since diversified recommendations can help the users to find more interesting and relevant items. Diversity in RS is mainly achieved considering two aspects: (i) the similarity between the items in the recommendations list, under the assumption that the more dissimilar, more diverse is the list; and (ii) the coverage of items’ attributes, i.e., the more attributes covered in the recommendation list (e.g., musical genres on musical artists recommendation), the more diverse is the list. Given that it is not always easy to access or extract the attributes of the items of a RS, (i) is still the predominant approach exploited in the literature. However, thanks to the semantic Web and Linked Open Data (LOD) initiatives, several attributes commonly found in many recommendation domains (e.g. movies, books and music) are now publicly available in RDF databases, connected to each other in the LOD Cloud. In this work, we propose and implement a new approach for promoting diversification in RS that exploits the semantic relationships between item’s attributes, both extracted from LOD repositories, found in LOD repositories as well as it several content dimensions. Another contribution of this work is that we tackle the typical trade-off between accurate and diversified recommendations by inferring the degree of diversification (used as a diversifier parameter) directly from the user profile. We conduct a thorough evaluation of our approach on real data collected from Last.FM, a social, online radio station and scrobbler, which stores online history of userheard songs. It has been shown that the proposed approach complements and exceeds the work related to diversity and accuracy metrics, the algorithm is able to diversify the set of itens fitted to the user profile and discover new relationships between the items from their attributes and their semantic relations, thereby enhancing the trade-off between accuracy and diversity of recommendation list compared with other algorithms used.
Keywords: Sistemas de Recomendação
Linked Open Data
Recommender Systems
Diversidade - Sistema de recomendação
Lista de recomendações
Trade-off - precisão e diversidade
Métricas de diversidade e acurácia
Algoritmos
???metadata.dc.subject.cnpq???: Ciência da Computação
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/450
Appears in Collections:Mestrado em Ciência da Computação.

Files in This Item:
File Description SizeFormat 
NAILSON BOAZ COSTA LEITE - DISSERTAÇÃO PPGCC 2015..pdfNailson boaz Costa Leite - Dissertação PPGCC 2015.2.62 MBAdobe PDFView/Open


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