RecTwitter: um sistema de recomendação semântico para usuários do Twitter

• Ano de defesa: 2019
• Autor(a) principal: Souza, Paulo Roberto de
• Orientador(a): Durão, Frederico Araújo
• Banca de defesa: Coimbra, Danilo Barbosa, Rocha Junior, João Batista da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Bahia; Instituto de Matemática e Estatística; Departamento de Ciência da Computação
• Programa de Pós-Graduação: em Ciência da Computação
• País: Brasil
• Palavras-chave em Português: Sobrecarga de Informação; Sistemas de recomendação; Regras Semânticas; Web Semântica; Twitter (Rede social on-line); RecTwitter
• Área do conhecimento CNPq: Sistemas de Recomendação; Ciências Exatas e da Terra; Ciência da Computação
• Link de acesso: http://repositorio.ufba.br/ri/handle/ri/33434

O Twitter é um dos serviços de microblog mais populares atualmente, permitindo aos usuários compartilharem imagens, links, textos, etc., bem como seguir ou deixar de seguir contas de sua preferência, essas gerenciadas também por outros usuários. Considerando que usuários possuem interesses distintos e o volume de tweets publicados tende a crescer ao se seguir mais contas, torna-se praticamente inviável monitorar quem publica ou não conteúdo relevante. Em vista disso, faz-se necessário a adoção de métodos inteligentes para identificar e filtrar contas que publiquem conteúdo similar aos interesses do usuário alvo. Esta dissertação de mestrado propõe um sistema de recomendação semântico baseado em regras denominado RECTWITTER, o qual analisa contas seguidas por um usuário, e recomenda quais devem ser descontinuadas e outras novas a serem seguidas. As regras funcionam como motores da recomendação, e levam em consideração diversos tipos de interação entre usuários no Twitter, as quais são modeladas através de uma ontologia de domínio. Para avaliar o modelo proposto, foram realizados experimentos com usuários reais e avaliações comparativas com trabalhos relacionados do estado da arte. Os resultados dos experimentos online apontam que 76% dos usuários avaliados aprovaram as recomendações obtidas. Em relação aos resultados obtidos nos experimentos offline, a precisão do modelo proposto supera em 30% importantes modelos do estado da arte.