A falta de informação e de confiança entre os agentes em sistemas de recomendação que lidam com domínios dinâmicos podem ser fatores que contribuem para que os agentes gerem resultados de baixa qualidade. Na falta de informação para gerar recomendações, é necessário que os agentes sejam capazes de assumir ou compartilhar informações, criem laços de confiança entre si e que se adaptem às mudanças do estado do conhecimento para que sejam capazes de resolver os problemas. Esta tese apresenta a abordagem MATRES - uma abordagem multiagente baseada em suposições com mecanismo de confiança aplicada em um sistema de recomendação multiagente. Na abordagem MATRES, os agentes são capazes de lidar com conhecimento distribuído. Cada agente trabalha como especialista e é capaz de compartilhar seu conhecimento com os demais, de acordo com seus índices de confiança. Para a solução de um problema, diferentes tarefas são distribuídas entre os agentes. Algumas tarefas apresentam uma relação de dependência, fazendo com que uma tarefa dependa do resultado de outra. Nesta situação, o agente possui um componente de manutenção da verdade que permite a utilização de suposições para a realização das tarefas de forma assíncrona. Na falta de informação proveniente de outra tarefa, o agente é capaz de manipular suposições, sendo capaz de executar sua tarefa. Além disto, o componente de manutenção da verdade auxilia na manutenção da integridade das bases de conhecimento dos agentes. A abordagem MATRES foi validada em um cenário de recomendação de pacotes turísticos. Casos reais de uma agência de viagem foram utilizados na validação da abordagem e os resultados obtidos corroboram a hipótese de que que a abordagem proposta aumenta a assertividade das recomendações geradas pelos agentes em ambientes distribuídos e dinâmicos. / The lack of trust and information among agents in dynamic domains may contribute to the generation of poor results in multiagent recommender systems. These domains requires that agents exchange information, establishing bonds of trust among themselves and adapting the modification of the status of the knowledge to be able to solve problems. In systems where the knowledge is distributed among several agents, the exchange of information is essential for improving the performance of the agents and maybe leading to inconsistencies when the information exchanged has different status. This thesis presents the MATRES approach - a multiagent Assumption-Based recommender approach with a trust mechanism. In this approach agents are able to deal with distributed knowledge. Each agent works as an expert and is able to share its knowledge with other agents, according to its trust degree. In order to solve a problem, different tasks are distributed among the agents. Some tasks are interdependent, which means that to solve a task it is necessary to use the result from other one. In this situation, the agent has a truth maintenance component that allows using assumptions to perform tasks in a assynchronous ways and helps the maintenance of the integrity of the knowledge bases of the agents. TheMATRES approach was validated in the travel recommendation scenario. The results show that the proposal increases the assertiveness of the recommendations provided by the agents in this dynamic domain.

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2016-04-06T12:05:28Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação Final Ernandes.pdf: 2307839 bytes, checksum: ac0260ae46a3bc18b2fa01e5d1fcf0b6 (MD5) / Made available in DSpace on 2016-04-06T12:05:28Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação Final Ernandes.pdf: 2307839 bytes, checksum: ac0260ae46a3bc18b2fa01e5d1fcf0b6 (MD5) Previous issue date: 2015-07-24 / A modalidade de ensino a distância (EaD) se expande cada vez mais no Brasil, incentivada pela evolução das tecnologias de informação e comunicação (TIC). Apesar da disseminação da EaD, essa modalidade de ensino ainda apresenta altas taxas de evasão. Esse fato ocorre, na maioria das vezes, pelos seguintes motivos: sentimento de isolamento enfrentado pelos discentes, uma vez que a presença física e social do aluno em ambientes educacionais virtuais é mínima; dificuldade em colaborar com os pares e falta de adaptação às metodologias utilizadas na EaD. Diversos trabalhos desenvolvidos na área da computação afetiva indicam que aspectos psicológicos humanos como personalidade, afetividade e emoção, quando empregados em ambientes virtuais de aprendizagem, influenciam na interação e aumentam a colaboração entre os alunos. Com base na literatura e nas entrevistas efetuadas com professores e alunos do Instituto Federal da Paraíba (IFPB), este trabalho apresenta a análise e o desenvolvimento de um sistema para a recomendação de pessoas (monitores e tutores), observando o contexto e os fatores da personalidade/temperamento dos alunos, a fim de melhorar o processo de colaboração na EaD. Os experimentos realizados com alunos dos cursos técnicos em meio ambiente, pesca e segurança do trabalho do IFPB, comprovaram que o software desenvolvido neste trabalho foi eficiente quando as recomendações foram geradas com base na afinidade da personalidade/temperamento entre os alunos. Dessa forma, os resultados gerados pelas recomendações foram bem avaliados pelos participantes desta pesquisa e revelaram que o índice de satisfação e a colaboração no ambiente virtual de ensino melhoraram com o uso do Affinity. / Distance Education has increasingly expanded in Brazil due to the evolution of information and communication technologies (ICT). Despite of this dissemination, distance education still has high evasion rates. This occurs, in most cases, due to the sense of isolation faced by the students, for the physical and social presence of the student in virtual educational environments is minimal; the difficulty in collaborating with pairs and the lack of adaptation to methodologies used in distance education. Several studies developed in the area of affective computing indicate that human psychological aspects such as personality, affection and emotion, when used in virtual learning environments, influence the interaction and increase collaboration among students. Based on the literature as well as on interviews conducted with teachers and students of the Instituto Federal da Paraíba (IFPB), this dissertation presents the analysis and the development of a system for recommending people (monitors and tutors) that takes into consideration the context and personality/temperament factors of the students to improve the process of collaboration in distance education. The experiments conducted with students of technical courses in environment, fishing and work safety at IFPB, have shown that the software developed in this work was efficient when the recommendations were generated considering the similarity of personality/temperament among students. Therefore, the results generated by the recommendations were highly rated by participants in this study and revealed that the level of satisfaction and the collaboration in virtual teaching environment improved significantly with the use of Affinity.

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2016-08-08T12:41:40Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) dissertacao-mestrado-jcpf.pdf: 6512881 bytes, checksum: 0e42b481cf73ab357ca212b410fbd5ee (MD5) / Made available in DSpace on 2016-08-08T12:41:40Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) dissertacao-mestrado-jcpf.pdf: 6512881 bytes, checksum: 0e42b481cf73ab357ca212b410fbd5ee (MD5) Previous issue date: 2016-02-29 / Prever o sucesso de um filme e, por consequência, seu sucesso nas bilheterias tem uma grande importância na indústria cinematográfica, desde a fase de pré-produção do filme, quando os investidores querem saber quais serão os filmes mais promissores, até nas semanas seguintes ao seu lançamento, quando se deseja prever as bilheterias das semanas restantes de exibição. Por conta disso, essa área tem sido alvo de muitos estudos que tem usado diferentes abordagens de predição, seja na seleção das características dos filmes como nas técnicas de aprendizagem, para atingir uma maior capacidade de prever o sucesso dos filmes. Neste trabalho de mestrado, foi feita uma investigação sobre o comportamento das principais características dos filmes (gênero, classificação etária, orçamento de produção, etc), com maior foco nos resultados das bilheterias e sua relação com as características dos filmes, de forma a obter uma visão mais clara de como as caracaterísticas dos filmes podem influenciar no seu sucesso, seja ele interpretado como lucro ou volume de bilheterias. Em seguida, em posse de uma base de filmes extraída do Box-Office Mojo e do IMDb, foi proposto um novo modelo de predição de box office utilizando os dados disponíveis dessa base, que é composta de: meta-dados dos filmes, palavras-chaves, e dados de bilheterias. Algumas dessas características são hibridizadas com o objetivo evidenciar as combinações de características mais importantes. É aplicado também um processo de seleção de características para excluir aquelas que não são relevantes ao modelo. O modelo utiliza Random Forest como máquina de aprendizagem. Os resultados obtidos com a técnica proposta sugerem, além de uma maior simplificação do modelo em relação a estudos anteriores, que o método consegue obter taxas de acerto superior 90% quando a classificação é medida com a métrica 1-away (quando a amostra é classificada com até 1 classe de distância), e consegue melhorar a qualidade da predição em relação a estudos anteriores quando testado com os dados da base disponível. / Predicting the success of a movie and, consequently, its box office success, has a huge importance in the motion pictures industry. Its importance comes since from the pre-production period, when the investors want to know the most promising movies to invest, until the first few weeks after release, when exhibitors want to predict the box office of the remaining weeks of exhibition. As result, this area has been subject of many studies which have used different prediction approaches, in both feature selection and learning methods, to achieve better capacity to predict movies’ success. In this mastership work, a deep research about the movie’s main features (genre, MPAA, production budget, etc) has been done, with more focus on the results of box offices and its relation with the movie’s features in order to get a clearer view of the organization of information and how variables can influence the success of a film, whether this success be interpreted as profit or revenue volumes at the box office. Then, in possession of a movie database extracted from Box-Office Mojo and IMDb, it was proposed a new box office prediction model based on available data from the database composed of: movie meta-data, key-words and box office data. Some of these features are hybridized aiming to emphasize the most important features’ combinations. A features’ selection process is also applied to exclude irrelevant features. The obtained results with the proposed method suggests, besides a further simplification of the model compared to previous studies, that the method can get hit rate of more than 90% when classification is measured with the metric 1-away (when the sample is classified within 1 class of distance from the right class), and achieve a improvement in the prediction quality when compared to previous studies using the available database.

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2016-08-08T13:00:48Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese_MariaSibaldo.pdf: 2571529 bytes, checksum: 0d9af192f329870166c194c53541ce82 (MD5) / Made available in DSpace on 2016-08-08T13:00:48Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese_MariaSibaldo.pdf: 2571529 bytes, checksum: 0d9af192f329870166c194c53541ce82 (MD5) Previous issue date: 2016-02-23 / CAPEs / Os sistemas de recomendação fazem uso de algoritmos para facilitar a busca de itens de interesse do usuário. Esta tese apresenta uma solução para recomendação através do agrupamento em redes complexas, dado que este encontra padrões que beneficiam a recomendação. É utilizada a métrica de modularidade para auxiliar na divisão de uma rede em grupos e, com base nesse agrupamento, realizar recomendação. Assim, foram propostos dois métodos de recomendação baseados em modularidade, dois algoritmos de agrupamento e uma nova métrica de modularidade. O primeiro método proposto estima o peso da aresta entre dois elementos em uma rede bipartida (usuário e item) após a formação de grupos e faz uso das arestas do grupo do item. O método citado anteriormente serviu de inspiração para o segundo método, o qual faz uso das arestas entre grupos. Para este segundo método foram propostos dois algoritmos: AMV (Agrupamento com Movimento de Vértices), o qual realiza os agrupamentos com diversas métricas existentes; e o AMA (Agrupamento com Movimento de Arestas), o qual realiza agrupamentos apenas com a métrica proposta. O algoritmo AMA tem um tempo de processamento menor que o AMV. Com as observações realizadas na segunda proposta, uma nova métrica de modularidade foi elaborada para melhorar a recomendação. Esta modularidade possui maior valor quando os pesos dos relacionamentos entre os grupos são semelhantes. A primeira proposta se mostrou adequada para o problema e obteve o 6º lugar na competição do RecSys 2014. A segunda proposta obteve resultados comparativos equivalentes ao de métodos de recomendação no estado-da-arte. A métrica proposta mostrou-se adequada para a recomendação. / This thesis uses the modularity metric to assist in dividing a network into groups and, based on this grouping, apply recommendation procedure. We propose two methods of recommendation based on modularity, two grouping algorithm and also a new metric of modularity. The first method proposed estimates the rating between two nodes in a bipartite network after grouping it, for this estimation the item’s group is used. The first method was the inspiration for the second one: which uses the edges between groups to estimate the edges weight. Two algorithms were created for this second method: AMV (grouping with vertex movement), which can be used with different modularity metrics; and AMA (grouping with edges moviment), which makes use of the modularity metric proposed here and is faster than the previous one. A different modularity metric was proposed to improve the recommendation system. This modularity has greater value when the weights of relationships between groups are similar. The first proposal was adequate to the problem and obtained the 6th place in the RecSys Challenge 2014 competition. The second proposal has equivalent results compared to other recommendations methods in the state of the art. The experiments with the proposal metric showed that this metric is adequate to recommender systems.

Made available in DSpace on 2016-12-23T14:33:43Z (GMT). No. of bitstreams: 1 Dissertacao de Eduardo Rocha Monteiro.pdf: 2785467 bytes, checksum: 577f7503c72e792b907de5a0eb99ec58 (MD5) Previous issue date: 2009-06-19 / Dentro do conjunto de transformações ocasionados pela evolução da internet, há uma que nada tem a ver com tecnologias de processamento e apresentacão de informaçãoes, mas nem por isso é menos importante do que as outras mudanças: É a transformação do comportamento do usuário perante a Internet. Se antes ele era um mero consumidor de informacão, agora ele participa ativamente, avaliando e criando conteúdo na web. Este cenário estimulou o desenvolvimento de novas tecnologias para apoiar a coletividade na web, que hoje possibilitam um amplo mecanismo de interação para diversos indivíduos, favorecendo a consolidacão de importantes espaços virtuais que promovemconstrução e socialização de conhecimento. Neste contexto, destacam-se as redes sociais virtuais. Redes sociais virtuais são espaços virtuais que incluem uma estrutura feita por indivíduos e organizações conectados por um ou mais tipos de interdependência, como valores, visões, idéias, amizade ou interesses comerciais. Este trabalho realizou um estudo sobre o estado da arte sobre as redes sociais virtuais e sobre os sistemas de recomendação, com o objetivo de criar uma rede social virtual que permite a publicação de conteúdo por usuários comuns, e um sistema de recomendação, para dirigir informações relevantes para os usuários. Também foi realizado um estudo sobre os agregadores de notícias sociais, que compõem uma categoria específica de redes sociais virtuais. Como produto principal deste trabalho, foi desenvolvido o sistema RSN: Rede Social de Notícias. RSN agrega características dos agregadores de notócias sociais a outras características de redes sociais virtuais com o objetivo de construir um espaço virtual com alto potencial de exibição de notícias interessantes aos seus usuários / Within the set of transformations from the evolution of the Internet, there is one that has nothing to do about processing and presenting information, but no less important than the other changes: the transformation of the behavior of the Internet User. If before it was a mere consumer of information, now he actively participates, evaluating and creating content in the web. This scenario has stimulated the development of new technologies to support the community on the web, which now enables a broad mechanism of interaction for many people, which promotes the formation of important virtual spaces with respect to the construction and socialization of knowledge. In this context, the virtual social networks stands out. Virtual social networks are virtual spaces that include a structure made by individuals and organizations connected by one or more types of interdependency, such as values, visions, ideas, friendship or business interests. This work conducted a study on the state of the art on virtual social networks and on the recommender systems, in order to create a virtual social network which enables content share by users, and a recommendation systemto direct relevant information for its users. Was also a study on the social news aggregators, that constitute a specific category of virtual social networks. The system RSN: Social Networking News was develop as the main product of this work. RSN adds features of social news aggregators to other characteristics of virtual social networks in order to build a virtual space with a high potential display of interesting news to its users

O objetivo deste trabalho é estudar o efeito dos sistemas de recomendação em um site de vinhos, verificando se os resultados estão de acordo com a teoria long tail. Esta proposição prevê que em mercados online, os produtos de nicho podem representar uma parcela significativa do resultado de uma empresa. Uma das formas de explorar estas fontes de receitas é pelo uso adequado de sistemas de recomendação que auxiliem o consumidor a encontrar o que deseja. Neste trabalho são efetuados dois estudos de caso, o primeiro utiliza o coeficiente Gini para comparar a distribuição das vendas de duas empresas, sendo uma delas de comércio eletrônico, o segundo estudo de caso seleciona quatro tipos de sistemas de recomendação e compara seus desempenhos na sugestão de vinhos. Os resultados indicam que ocorre um comportamento do tipo long tail nas vendas da loja virtual e que os sistemas de recomendação baseados nos gostos de outras pessoas são os preferidos.

Submitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2014-12-18T18:42:03Z No. of bitstreams: 2 Dissertacao - Edjalma Queiroz da Silva - 2014.pdf: 3244366 bytes, checksum: 7c2506e59c6f1ebdc4608a6ff2ac207d (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2014-12-22T11:15:25Z (GMT) No. of bitstreams: 2 Dissertacao - Edjalma Queiroz da Silva - 2014.pdf: 3244366 bytes, checksum: 7c2506e59c6f1ebdc4608a6ff2ac207d (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2014-12-22T11:15:25Z (GMT). No. of bitstreams: 2 Dissertacao - Edjalma Queiroz da Silva - 2014.pdf: 3244366 bytes, checksum: 7c2506e59c6f1ebdc4608a6ff2ac207d (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Previous issue date: 2014-08-20 / Recommendation systems function as a guide, helping users to discover products of interest. There are various techniques and approaches in the literature that enable the generationofrecommendations.Thisisinterestingbecauseitemphasizesthediversityof options;ontheotherhand,itcancausedoubtthesystemdesigneraboutwhichisthebest techniquetouse.Eachoftheseapproacheshasparticularitiesanddependsonthecontext to be applied. Therefore, the decision to choose between the techniques is complex to be done manually. This work proposes an evolutionary approach for combining results of recommendation techniques (Invenire) in order to automate the choice of techniques and get fewer errors in recommendations. To evaluate the proposal, experiments were performed with a dataset from MovieLens and some Collaborative Filtering techniques. The results show that the combining methodology proposed in this paper performs better than any one collaborative filtering technique separately in the context addressed. The improvement varies from 3,6% to 118,99% depending on the technique and the experiment executed. / Sistemas de Recomendação funcionam como um conselheiro, comportando-se de tal formaaorientaraspessoasnadescobertadeprodutosdeinteresse.Existemváriastécnicas eabordagensnaliteraturaquepermitemgerarrecomendações.Issoéinteressanteporque enfatiza a diversidade de opções; por outro lado, pode causar dúvida para o projetista do sistema sobre qual é a melhor técnica para usar. Cada uma destas abordagens tem particularidades e dependem do contexto para serem aplicadas. Assim, a decisão de escolher entre técnicas se torna complexa para ser feita manualmente. Este trabalho propõe uma abordagem evolutiva para automatizar a busca pela melhor combinação de resultados de técnicas de Sistemas de Recomendação e produzir menos erros nas recomendações.Paraavaliaraproposta,foramrealizadosexperimentoscomumconjunto de dados daMovieLens e algumas das técnicas de Filtragem Colaborativa. Os resultados mostramqueametodologiadecombinação,propostanestetrabalho,temumdesempenho melhor do que qualquer uma das técnicas isoladas de filtragem colaborativa no contexto abordado.A melhora varia de3,6%a 118,99%dependendo da técnica e do experimento executado.

Made available in DSpace on 2015-04-11T14:02:56Z (GMT). No. of bitstreams: 1 Ludimila.pdf: 1270701 bytes, checksum: 300c827c33013fc4aaa7278441f4a620 (MD5) Previous issue date: 2013-03-27 / FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas / The large offer of contents nowadays makes it hard to find relevant information. Recommender systems (RS) have been developed to tackle with such information overloading. Such systems are tools that recommend, from a large number of alternatives, the ones that the users will probably be interested in. The main RS applications are based on two approaches, content based filtering and collaborative filtering. Among them, collaborative filtering is the most used one since, in general, it employs a more effective strategy to capture user preferences: to determine groups of users with similar likes and dislikes. The recommendation problem, as viewed by collaborative filtering, can be viewed as the problem of predicting the preference of the user, normally represented as a rating. Traditional systems predict such ratings by means of manually-crafted regression equations obtained by combining different evidences such as: users reputation and its strictness level. As with any other heuristic strategy, there is no guarantee that the used equations are the best for a particular dataset in the sense of minimizing the prediction error. Thus, in this work, we intend to determine if it would be better to learn regression equations instead of using heuristically built ones. Such learned equations should be obtained by using a machine learning regression task to find the most effective combination of evidence on minimizing error. According to our experiments, a simple regression method is able to significantly outperform the best traditional equations using only evidence explored by those equations. Further, features like ratings that neighbors give to item (as all or individually) and user, item and neighbors average ratings have the best performance. Finally, we obtained gain of until 7% over the baseline with trust feature and gain of 6% over baseline without it. / A grande oferta de conteúdos na sociedade contemporânea torna difícil a tarefa de busca por informações que interessem aos usuários. Uma forma de lidar com tal sobrecarga de informações é prover ferramentas que recomendem para os usuários, dentre as informações alternativas, aquelas que devem ser de seu interesse. Tais ferramentas são os Sistemas de Recomendação (SR). As principais aplicações em SR se baseiam em duas técnicas, filtragem baseada em conteúdo e filtragem colaborativa. Dentre as duas, a filtragem colaborativa é a mais utilizada uma vez que, em geral, a estratégia que emprega, determinar grupos de usuários com interesses similares, é mais efetiva para capturar preferências. O problema de recomendação, como abordado em filtragem colaborativa, pode ser visto como um problema de previsão da preferência do usuário, normalmente representada por uma nota. Sistemas tradicionais prevêem esta nota através de uma equação de regressão obtida heuristicamente, envolvendo diversas evidências como nível de rigor do usuário e sua reputação. Como em qualquer estratégia heurística, não há nenhuma garantia que as equações usadas para a previsão sejam mais adequadas para um conjunto particular de dados, no sentido de minimizar o erro de previsão. Assim, neste trabalho, buscamos determinar se, em lugar de usar fórmulas heurísticas, não seria mais eficaz determinar automaticamente, por meio de uma técnica de aprendizagem de máquina, a melhor combinação das evidências disponíveis de forma a reduzir o erro de previsão. Nossos experimentos indicam que usando apenas evidências empregadas em métodos tradicionais, um método de regressão, como o proposto, pode alcançar resultados significativamente melhores que métodos tradicionais. Além disso, evidências como as notas que vizinhos atribuem ao item (como um todo ou individualmente) e as notas médias do usuário, do item e dos vizinhos possuíram melhor desempenho. Por fim, obtivemos ganhos de até 7% sobre o baseline com característica de confiança e de 6% sobre baseline sem uso de confiança.

Submitted by Adriely Bruce (adriely_bruce@hotmail.com) on 2016-12-16T14:58:13Z No. of bitstreams: 1 Dissertação - Urique Hoffmann de Souza Almeida.pdf: 692636 bytes, checksum: c0255901a1a8d4253db69adb8d903141 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-12-22T14:11:38Z (GMT) No. of bitstreams: 1 Dissertação - Urique Hoffmann de Souza Almeida.pdf: 692636 bytes, checksum: c0255901a1a8d4253db69adb8d903141 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-12-22T14:14:43Z (GMT) No. of bitstreams: 1 Dissertação - Urique Hoffmann de Souza Almeida.pdf: 692636 bytes, checksum: c0255901a1a8d4253db69adb8d903141 (MD5) / Made available in DSpace on 2016-12-22T14:14:43Z (GMT). No. of bitstreams: 1 Dissertação - Urique Hoffmann de Souza Almeida.pdf: 692636 bytes, checksum: c0255901a1a8d4253db69adb8d903141 (MD5) Previous issue date: 2016-06-15 / FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas / In this work, we describe a novel method we designed, implemented and tested to finding products that are similar alternatives to a given product in the catalog of an e-commerce site. By similar alternatives, we mean products that, although are not identical to a product of interest, have features that make them suitable alternatives for customers that look for it. Our motivation is to enable the recommendation of alternativeproductsbasedsolelyontheproduct’sfeatures,withoutrelyingonhistorical purchase data. By doing so, we address the so-called cold start problem, which is often found in product recommendation approaches, and that may lead to profit loss in ecommerce sites. Our method, we call GPClerk, uses Genetic Programming (GP) to learn functions for comparing two products and telling whether two products are similar alternatives or not. These functions are termed here as product comparison functions. To make our method feasible in typical e-commerce settings, we also propose an unsupervised strategy to generate training examples to be used in the learning process. Results of experiments we carried out and report here indicate that our method is capable of generating suitable product comparison functions and that our strategy for automatically generating training data is effective for this task. / Nesse trabalho, descrevemos um novo método que projetamos, implementamos e testamos para a tarefa de encontrar produtos que são alternativas similares a um dado produto em um catálogo de um site de comércio eletrônico. Nesse trabalho, consideramos como alternativas similares produtos que, apesar de não serem idênticos a um produto de interesse, têm características que os tornam boas alternativas a esse produto. Nossa motivação para esse trabalho é poder recomendar produtos similares com base apenas nas suas características, sem a necessidade da utilização do histórico de compras dos usuários. Assim, nesse trabalho lidamos com o chamado problema de cold start, que é comumente encontrado em abordagens de recomendação, e que pode levar a perda de lucro em sites de comércio eletrônico. Nosso método, chamado GPClerk, utiliza Programação Genética (GP) para aprender funções que comparam dois produtos, e dizem se estes são similares ou não. Essas funções são chamadas nesse trabalho de product comparison functions. Para tornar nosso método viável em um cenário típico de comércio eletrônico, propomos também uma estratégia não supervisionada para gerar exemplos de treino a serem utilizados no processo de aprendizagem. Resultados de experimentos que executamos e descrevemos nessa dissertação indicam que nosso método é capaz de gerar funções adequadas, e que nossa estratégia para geração automática de dados de treino é efetiva para essa tarefa.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2016-05-05T19:35:26Z No. of bitstreams: 1 rafaelferreiradealmeida.pdf: 3689825 bytes, checksum: e70e9662a5b3345b4b58149fbdba030a (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2016-06-07T15:44:15Z (GMT) No. of bitstreams: 1 rafaelferreiradealmeida.pdf: 3689825 bytes, checksum: e70e9662a5b3345b4b58149fbdba030a (MD5) / Made available in DSpace on 2016-06-07T15:44:15Z (GMT). No. of bitstreams: 1 rafaelferreiradealmeida.pdf: 3689825 bytes, checksum: e70e9662a5b3345b4b58149fbdba030a (MD5) Previous issue date: 2016-03-18 / Com a tendência de crescimento na quantidade de recursos educacionais disponíveis na Web e como os repositórios normalmente contemplam um amplo conjunto de assuntos e abordam objetivos educacionais distintos, a escolha de um recurso educacional é, ainda, um desafio. Os Sistemas de Recomendação representam uma ferramenta capaz de contribuir com a localização e seleção destes recursos. Entretanto, para que um Sistema de Recomendação consiga gerar recomendações satisfatórias, é importante identificar informações que ajudem a definir o perfil do usuário. Inúmeras informações a respeito do perfil, dos interesses, e das preferências dos usuários podem ser identificadas em decorrência das interações que ocorrem nas redes sociais. Esses usuários, muitas vezes, além de se organizarem em grupos de interesse também buscam, no tempo despendido nas redes sociais, recursos educacionais de seus interesses individuais ou coletivos. Este trabalho visa explorar as informações geradas por um grupo de usuários nas redes sociais no processo de busca e seleção de recursos educacionais de interesse comum de seus membros. São apresentados a proposta e o desenvolvimento de uma arquitetura, denominada BROAD-GRS, capaz de definir o perfil educacional de grupos de usuários da rede social Facebook e realizar recomendações de recursos educacionais ao grupo, respeitando as preferências de seus usuários membros e maximizando a satisfação geral de todos na escolha dos itens recomendados. A recomendação é baseada em três fontes de recursos educacionais: repositório de objetos de aprendizagem (BROAD), em repositórios de dados ligados (DBpedia e Open University) e em repositório de vídeo (Youtube). A avaliação da proposta foi feita a partir do desenvolvimento de um protótipo e um estudo de caso, cujos resultados apontam para a viabilidade da solução proposta. / With the growth of the amount of educational resources available on the web and as repositories usually include a wide range of subjects, including different educational goals, choosing an educational resource is still a challenge. The recommender systems represent a tool capable of contributing to the location and selection of these resources. However, to a recommender system generate satisfactory recommendations, it is important to identify information that helps to define the user’s profile. Lots of information about profile, interests and preferences of the users can be identified as a result of interactions that occur in social networks. Many times those users, besides organizing themselves into interest groups, during their time spent on social networks, seek for educational resources of their individual or collective interests. This work aims to explore the information generated by a users group on social networks in the search and selection process of educational resources, considering their members common interest. The proposal and the development of an architecture named BROAD-GRS are presented, able to set educational profile of Facebook social network users groups and make recommendations of educational resources to the group, respecting the members preferences and maximizing the general satisfaction of all users in the choice of recommended items. The recommendation is based on three sources of educational resources: repository of learning objects (BROAD), linked data repositories (DBpedia and Open University), and video repository (Youtube). The evaluation of the proposal was made with the development of a prototype and a case study and the results pointed out to the viability of the proposed solution.