Uma abordagem baseada em linked open data para diversificação de recomendações.

• Ano de defesa: 2015
• Autor(a) principal: LEITE, Nailson Boaz Costa.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO; UFCG
• Palavras-chave em Português: 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; Ciência da Computação
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/450

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.