Diversificação em sistemas de recomendação utilizando uma abordagem baseada em aspectos.
Ano de defesa: | 2020 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Tese |
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 |
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/13223 |
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. |