Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-04-11T14:50:08Z No. of bitstreams: 1 CAIO SANTOS BEZERRA NÓBREGA - DISSERTAÇÃO PPGCC 2014..pdf: 983246 bytes, checksum: 5eca7651706ce317dc514ec2f1aa10c3 (MD5) / Made available in DSpace on 2018-04-11T14:50:08Z (GMT). No. of bitstreams: 1 CAIO SANTOS BEZERRA NÓBREGA - DISSERTAÇÃO PPGCC 2014..pdf: 983246 bytes, checksum: 5eca7651706ce317dc514ec2f1aa10c3 (MD5) Previous issue date: 2014-07-30 / Capes / Sugerir os produtos mais apropriados aos diversos tipos de consumidores não é uma tarefa trivial, apesar de ser um fator chave para aumentar satisfação e lealdade destes. Devido a esse fato, sistemas de recomendação têm se tornado uma ferramenta importante para diversas aplicações, tais como, comércio eletrônico, sites personalizados e redes sociais. Recentemente, a fatoração de matrizes se tornou a técnica mais bem sucedida de implementação de sistemas de recomendação. Os parâmetros do modelo de fatoração de matrizes são tipicamente aprendidos por meio de métodos numéricos, tal como o gradiente descendente. O desempenho do gradiente descendente está diretamente relacionada à configuração da taxa de aprendizagem, a qual é tipicamente configurada para valores pequenos, com o objetivo de não perder um mínimo local. Consequentemente, o algoritmo pode levar várias iterações para convergir. Idealmente,é desejada uma taxa de aprendizagem que conduza a um mínimo local nas primeiras iterações, mas isto é muito difícil de ser realizado dada a alta complexidade do espaço de valores a serem pesquisados. Começando com um estudo exploratório em várias bases de dados de sistemas de recomendação, observamos que, para a maioria das bases, há um padrão linear entre a taxa de aprendizagem e o número de iterações necessárias para atingir a convergência. A partir disso, propomos utilizar modelos de regressão lineares simples para predizer, para uma base de dados desconhecida, um bom valor para a taxa de aprendizagem inicial. A ideia é estimar uma taxa de aprendizagem que conduza o gradiente descendenteaummínimolocalnasprimeirasiterações. Avaliamosnossatécnicaem8bases desistemasderecomendaçãoreaisecomparamoscomoalgoritmopadrão,oqualutilizaum valorfixoparaataxadeaprendizagem,ecomtécnicasqueadaptamataxadeaprendizagem extraídas da literatura. Nós mostramos que conseguimos reduzir o número de iterações até em 40% quando comparados à abordagem padrão. / Suggesting the most suitable products to different types of consumers is not a trivial task, despite being a key factor for increasing their satisfaction and loyalty. Due to this fact, recommender systems have be come an important tool for many applications, such as e-commerce, personalized websites and social networks. Recently, Matrix Factorization has become the most successful technique to implement recommendation systems. The parameters of this model are typically learned by means of numerical methods, like the gradient descent. The performance of the gradient descent is directly related to the configuration of the learning rate, which is typically set to small values, in order to do not miss a local minimum. As a consequence, the algorithm may take several iterations to converge. Ideally, one wants to find a learning rate that will lead to a local minimum in the early iterations, but this is very difficult to achieve given the high complexity of search space. Starting with an exploratory study on several recommendation systems datasets, we observed that there is an over all linear relationship between the learnin grate and the number of iterations needed until convergence. From this, we propose to use simple linear regression models to predict, for a unknown dataset, a good value for an initial learning rate. The idea is to estimate a learning rate that drives the gradient descent as close as possible to a local minimum in the first iteration. We evaluate our technique on 8 real-world recommender datasets and compared it with the standard Matrix Factorization learning algorithm, which uses a fixed value for the learning rate over all iterations, and techniques fromt he literature that adapt the learning rate. We show that we can reduce the number of iterations until at 40% compared to the standard approach.

[pt] Segundo o INEP/MEC, nos últimos 20 anos, o número de matrículas da educação superior de graduação no Brasil cresceu mais de duas vezes, com uma taxa de crescimento anual verificada a partir de 2001 em torno de 5,7 por cento ao ano. Ainda segundo esta instituição, em 2008 houve o ingresso de 1.505.819 novos estudantes nos cursos presenciais, ao mesmo tempo em que 1.479.318 vagas não foram ocupadas, sendo que 54,6 por cento do total de vagas ofertadas pelo setor privado. Tendo em conta que São Paulo é o maior estado do Brasil, é muito importante que o Ministério da Educação tome conhecimento de como se dará a dinâmica da oferta de educação superior nos próximos 20 anos para que suas ações (políticas públicas, sobretudo) possam ser realizadas com êxito. O objetivo deste trabalho é aplicar modelagem estatística para estimar a oferta do ensino superior do Estado de São Paulo no período de 2015 a 2035, considerando dados da INEP de educação superior. A motivação para este trabalho é melhorar o planejamento da oferta de curso superior e fazer a replicação do modelo preditivo para outros estados do Brasil. A metodologia usada é modelagem estatística (modelos de regressão linear) e séries temporais (Holt). Como resultado, têm-se as áreas e/os cursos onde o governo federal deve investir no futuro aprimorando seu planejamento. / [en] According to INEP/MEC, in the last 20 years, the number of undergraduate higher education enrollments in Brazil has grown more than twice, with an annual growth rate of 5,7 percent per year since 2001. According to this institution, in 2008 there were 1.505.819 new students enrolled in presential courses, while 1.479.318 vacancies were not filled, with 54.6 percent of the total number of vacancies offered by the private sector. Given that São Paulo is the largest state in Brazil, it is very important that the Ministry of Education becomes aware of the dynamics of the offer of higher education in the next 20 years so that its actions (mainly public policies) can be successfully executed. The objective of this study is to apply statistical modeling to estimate the offer of higher education in the State of São Paulo in the period from 2015 to 2035, considering data from INEP about higher education. The motivation for this work is to improve the planning of the offer of higher education and to replicate the predictive model for other Brazilian states. The methodology used concerns statistical modeling (linear regression models) and time series (Holt). As a result, it is obtained the areas and/or courses where the federal government should invest in the future, improving its planning. / [es] Según el INEP/MEC, en los últimos 20 años, el número de matrículas de educación superior en Brasil creció más de dos veces, con una tasa de crecimiento anual verificada a partir de 2001 en torno al 5,7 por ciento por año. Según esta institución, en 2008 hubo un ingreso de 1.505.819 nuevos estudiantes en los cursos presenciales, al mismo tiempo que 1.479.318 vacantes no fueron ocupadas, siendo el 54,6 por ciento del total de vacantes ofrecidas por el sector privado. Dado que São Paulo es el mayor estado de Brasil, es muy importante que el Ministerio de Educación tome conocimiento de cómo se dará la dinámica de la oferta de educación superior en los próximos 20 años para que sus acciones (políticas públicas, sobre todo) puedan realizarse con éxito. El objetivo de este trabajo es aplicar modelos estadísticos para estimar la oferta de educación superior del Estado de São Paulo en el período de 2015 a 2035, considerando datos de INEP de educación superior. La motivación para este trabajo es mejorar la planificación de la oferta de curso superior y hacer replicación del modelo predictivo para otros estados de Brasil. La metodología utilizada es modelos estadístico (modelos de regresión lineal) y series tiempo (Holt). Como resultado, se tienen las áreas y/o cursos donde el gobierno federal debe invertir en el futuro mejorando su planificación.