Recomendação multicontextual de eventos em redes sociais de eventos.

• Ano de defesa: 2015
• Autor(a) principal: MACEDO, Augusto Queiroz de.
• 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: Social Networks; Mineração de Dados; Redes Sociais; Sistemas de Recomendação Multicontextuais; Recomendação de Eventos; Data Mining; MultiContextual Recommender Systems; Event Recommendation; Modelo de Recomendação Híbrido; Ranking Personalizado de Eventos; Ciência da Computação
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/605

A Web tem crescido tornando-se um dos mais importantes canais para comunicar eventos sociais hoje em dia. As pessoas planejam, compartilham e comentam sobre os eventos na Web. As redes sociais baseadas em eventos (RSBEs) foram criadas para ajudar as pessoas a encontrar e conhecerem-se uns aos outros de uma forma mais simples e rápida. No entanto, o grande volume de eventos disponíveis, muitas vezes prejudica a capacidade dos usuários de escolher os eventos que melhor se adequam à suas preferências pessoais. Sistemas de recomendação aparecem como uma solução natural para este problema. No entanto, diferentemente dos cenários de recomendação clássica (e.g. recomendação de filmes, livros, restaurantes), o problema de recomendação de eventos é intrinsecamente cold-start (início frio) quando inexistem informações sobre as interações de usuários e itens no momento da recomendação. A princípio, esta interação só acontece após a ocorrência do evento. E mesmo usando informações de RSVPs (i.e. intenção declarada do usuário em comparecer à um evento futuro), o recomendador continua enfrentando alta esparsidade de dados, que é agravada pela tendência que os usuários possuem em enviar RSVPs próximos à ocorrência dos eventos. Para superar essas limitações, propomos um modelo de recomendação híbrido que otimiza o ranking personalizado dos eventos baseado no potencial de vários sinais contextuais disponíveis nas RSBEs. Além de sinais sociais derivados dos RSVPs e das associações dos usuários em grupos online, exploramos também os sinais de conteúdo das descrições dos eventos, sinais de localização baseados nas coordenadas geográficas da casa dos usuários e dos eventos e sinais temporais derivados das preferências de horário e dias da semana do usuário em relação aos seus eventos passados. Por meio de experimento sutilizando uma grande coleta do Meetup.com melhoramos em mais de 60% a métrica de ranking personalizado avaliada com a nossa abordagem híbrida de aprendizagem multi-contextual em comparação com um recomendador de eventos do estado-da-arte da literatura.