Este documento apresenta um estudo que avalia o uso de informação temporal na tarefa de recomendação de tweets no twitter. Foram explorados dois aspectos temporais: a vida útil de tópico de informação e a sua versão personalizada para cada usuário. A aplicação destes aspectos temporais foi avaliada utilizando-se três sistemas de recomendação implementados. Também avaliamos dois modelos de tópicos utilizados para representar tweets: o modelo bag of words e um modelo de tópicos latentes extraídos por LDA (Latent Dirichlet Allocation). Além disso, avaliamos o uso de máquinas de vetor de suporte para estimar o perfil de interesses de usuário, comparando esta abordagem com uma outra mais simples. Os experimentos foram executados utilizando-se um conjunto de dados com 414 milhões de tweets publicados por 321 mil usuários. Os resultados apresentados demonstram que o uso de vida útil de tópico na tarefa de recomendação melhora a qualidade das recomendações, e o uso da versão personalizada desta informação melhorou ainda mais a qualidade destas / This document presents a study that evaluates the use of temporal information in the task of recommending tweets on Twitter. Two temporal aspects have been analysed: the lifespan of information topic and its personalized version for each user. The application of such temporal aspects has been evaluated using three recommendation systems implemented in this work. We also evaluated two topic models considered to describe tweets: a bag of words model and a model of latent topics extracted using LDA (Latent Dirichlet Allocation). Furthermore, we evaluated the use of SVM (Support Vector Machines) to estimate the user profile, comparing this approach with a simpler one. The experiments have been executed using a dataset with 414 millions of tweets published by 321 thousands of users. The results show that the use of topic lifespan information increases the quality of recommendation, and the personalized version of this information increases the quality even more

Este documento apresenta um estudo que avalia o uso de informação temporal na tarefa de recomendação de tweets no twitter. Foram explorados dois aspectos temporais: a vida útil de tópico de informação e a sua versão personalizada para cada usuário. A aplicação destes aspectos temporais foi avaliada utilizando-se três sistemas de recomendação implementados. Também avaliamos dois modelos de tópicos utilizados para representar tweets: o modelo bag of words e um modelo de tópicos latentes extraídos por LDA (Latent Dirichlet Allocation). Além disso, avaliamos o uso de máquinas de vetor de suporte para estimar o perfil de interesses de usuário, comparando esta abordagem com uma outra mais simples. Os experimentos foram executados utilizando-se um conjunto de dados com 414 milhões de tweets publicados por 321 mil usuários. Os resultados apresentados demonstram que o uso de vida útil de tópico na tarefa de recomendação melhora a qualidade das recomendações, e o uso da versão personalizada desta informação melhorou ainda mais a qualidade destas / This document presents a study that evaluates the use of temporal information in the task of recommending tweets on Twitter. Two temporal aspects have been analysed: the lifespan of information topic and its personalized version for each user. The application of such temporal aspects has been evaluated using three recommendation systems implemented in this work. We also evaluated two topic models considered to describe tweets: a bag of words model and a model of latent topics extracted using LDA (Latent Dirichlet Allocation). Furthermore, we evaluated the use of SVM (Support Vector Machines) to estimate the user profile, comparing this approach with a simpler one. The experiments have been executed using a dataset with 414 millions of tweets published by 321 thousands of users. The results show that the use of topic lifespan information increases the quality of recommendation, and the personalized version of this information increases the quality even more

Submitted by Renata Lopes (renatasil82@gmail.com) on 2015-12-07T12:51:30Z No. of bitstreams: 1 gustavohenriquedarochareis.pdf: 1407647 bytes, checksum: b94399b5bafb2e6cb8e48443f285a7c4 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2015-12-09T10:33:11Z (GMT) No. of bitstreams: 1 gustavohenriquedarochareis.pdf: 1407647 bytes, checksum: b94399b5bafb2e6cb8e48443f285a7c4 (MD5) / Made available in DSpace on 2015-12-09T10:33:11Z (GMT). No. of bitstreams: 1 gustavohenriquedarochareis.pdf: 1407647 bytes, checksum: b94399b5bafb2e6cb8e48443f285a7c4 (MD5) Previous issue date: 2015-08-06 / O uso de dispositivos m oveis v^em aumentando signi cativamente nos ultimos anos. Outra tend^encia e a consolida c~ao no uso Tecnologias Digitais da Informa c~ao e Comunica c~ao para ns educacionais. Estes cen arios juntos possibilitam novas formas de comunica c~ao entre professores e alunos, como, por exemplo, a recomenda c~ao de conte udos educacionais e colabora c~ao utilizando dispositivos m oveis. Este trabalho mostra uma arquitetura, chamada CALearning, que re une as principais caracter sticas para um sistema de aprendizado m ovel, como promover a colabora c~ao (recomenda c~ao e avalia c~ao de conte udos) entre os alunos e fazer a recomenda c~ao de conte udos de acordo com o estilo de aprendizagem e prefer^encias do usu ario. A arquitetura tamb em faz uso de informa c~oes de contexto para recomendar conte udos adaptados de acordo com as caracter sticas de acesso a Internet (taxa de transmiss~ao) e deslocamento do aluno durante sua intera c~ao com o aplicativo. Como prova de conceito foi desenvolvido tr^es sistemas chamados CALearningDroid, CALearningWeb e CALearningWS, baseado na arquitetura proposta / The use of mobile devices have increased signi cantly in recent years. Another trend is the consolidation in using Digital Technologies of Information and Communication for educational purposes. These scenarios together enable new forms of communication between teachers and students, for example, the recommendation of educational content and collaboration using mobile devices. This work shows an architecture called CALearning, which brings together the main features for a mobile learning system as promote collaboration (recommendation and content evaluation) among students and to do the content recommendation according to the learning style and user's preferences. The architecture also does use of context information to recommend content tailored according to the Internet access features (transmission rate) and displacement of the learner during their interaction with the application. As proof of concept, was developed three systems called CALearningDroid, CALearningWeb and CALearningWS, based in the proposed architecture.