Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-05-08T15:41:02Z No. of bitstreams: 1 AUGUSTO QUEIROZ DE MACEDO - PPGCC 2015..pdf: 6968007 bytes, checksum: 87fa2564456dfd56be7e711e21a082df (MD5) / Made available in DSpace on 2018-05-08T15:41:02Z (GMT). No. of bitstreams: 1 AUGUSTO QUEIROZ DE MACEDO - PPGCC 2015..pdf: 6968007 bytes, checksum: 87fa2564456dfd56be7e711e21a082df (MD5) Previous issue date: 2015-03-27 / 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. / The Web has grown into one of the most important channels to communicate social events nowadays. People plan, share and comment meetings through the Web. The event-based social networks (EBSNs) have been created to help people meet and know each others in a simpler and faster way. However, the sheer volume of events available often undermines the users’ ability to choose the events that best fit their personal preferences. Recommender systems appear as a natural solution for this problem. However, differently from the classic recommendation scenarios (e.g. movies, books, restaurants recommendations),the event recommendation problem is intrinsically cold-start, there is no information about the users and items interactions in recommendation time. At first, this interaction only happens after the ocurrence of the event. And even using the RSVPs informations (i.e. declared user intention to attend or not a future event), the recommender will still have to face its high sparsity worsened by the trend that users have to send RSVPs near the ocurrence of the events. To overcome this limitation, we propose a hybrid recommendation model that optimizes a personalized ranking of events based on the several contextual signals available in EBSNs. Besides social signals derived from RSVPs and user’s associations in online groups, we exploit the content signals from events’ description, location signals based on the users’ home and events geographic coordinates and temporal signals derived from the temporal and weekday users’ preferences related to their past events. Thorough experiments using a large crawl of Meetup.com we improved in more than 60% the evaluated personalized ranking metric with our multi-contextual learning approach when compared to a state-of-the-art event recommender from the literature.