Configuração modelo de features é conhecida por ser uma atividade complexa, demorada e propensa a erros. Esta atividade torna-se ainda mais complicada quando envolve múltiplas partes interessadas no processo de configuração. Trabalhos de pesquisa têm proposto abordagens para ajudar na configuração de modelo de features, mas elas dependem de processos sistemáticos que restringem as decisões de alguns dos stakeholders. Neste trabalho, propomos uma nova abordagem para melhorar o processo de configuração multi-stakeholder, considerando as preferências dos stakeholders expressas através de restrições duras e brandas. Com base em tais preferências, recomendamos diferentes configurações de produto utilizando diferentes estratégias da teoria da escolha social. Nossa abordagem é implementada em uma ferramenta chamada SACRES, que permite criar grupos de stakeholders, especificar preferências dos stakeholders sobre uma configuração e gerar as configurações ideais. Realizamos um estudo empírico para avaliar a eficácia de nossas estratégias no que diz respeito à satisfação individual e justiça entre todos os stakeholders. Os resultados obtidos provem evidência de que estratégias em particular possuem melhor performance em relação à satisfação de grupo, chamadas average e multiplicative considerando as pontuações atribuídas pelos participantes e complexidade computacional. Nossos resultados são relevantes não só no contexto de Linha de Produto de Software, mas também para a Teoria da Escolha Social, dada a instanciação de estratégias de escolha social em um problema prático. / Feature model con guration is known to be a hard, error-prone and timeconsuming activity. This activity gets even more complicated when it involves multiple stakeholders in the con guration process. Research work has proposed approaches to aid multi-stakeholder feature model con guration, but they rely on systematic processes that constraint decisions of some of the stakeholders. In this dissertation, we propose a novel approach to improve the multi-stakeholder con guration process, considering stakeholders' preferences expressed through both hard and soft constraints. Based on such preferences, we recommend di erent product con gurations using di erent strategies from the social choice theory. Our approach is implemented in a tool named SACRES, which allows creation of stakeholder groups, speci cation of stakeholder preferences over a con guration and generation of optimal con guration. We conducted an empirical study to evaluate the e ectiveness of our strategies with respect to individual stakeholder satisfaction and fairness among all stakeholders. The obtained results provide evidence that particular strategies perform best with respect to group satisfaction, namely average and multiplicative, considering the scores given by the participants and computational complexity. Our results are relevant not only in the context software product lines, but also in the context of social choice theory, given the instantiation of social choice strategies in a practical problem.

Atualmente, pesquisadores e acadêmicos têm beneficiado-se muito com o crescimento acelerado das tecnologias Web, pois os resultados de pesquisa podem ser publicados e acessados eletronicamente tão logo a mesma tenha sido realizada. Esta possibilidade é vantajosa na medida em que minimiza as barreiras de tempo e espaço associadas à publicação tradicional. Neste contexto, surgem as Bibliotecas Digitais como repositórios de dados que, além dos documentos digitais propriamente ditos, ou de apontadores para estes documentos, armazenam os metadados associados. Para permitir que diferentes Bibliotecas Digitais possam interoperar surgiu a Open Archives Initiative (OAI) e, para resolver a questão da padronização dos metadados utilizados pelos repositórios, foi criado o formato Dublin Core (DC). Por outro lado, a enorme quantidade de documentos digitais disponíveis na Web tem causado o fenômeno conhecido como “sobrecarga de informação”. Com o objetivo de suprir esta dificuldade, Sistemas de Recomendação têm sido propostos e desenvolvidos. Estes sistemas visam prover uma interface alternativa para tecnologias de filtragem e recuperação de informações, tendo como foco a predição daqueles itens ou partes da informação que o usuário acharia interessante e útil. Portanto, os Sistemas de Recomendação atuam baseados em personalização da informação sendo que as predições geralmente são realizadas utilizando-se um perfil de cada usuário. A personalização está relacionada com o modo pelo qual a informação e serviços podem ser ajustados às necessidades específicas de um usuário ou comunidade. Esta dissertação descreve um Sistema de Recomendação de artigos científicos, armazenados em bibliotecas digitais. Este sistema é dirigido à comunidade científica da área da Ciência da Computação. Tecnologicamente, o sistema proposto foi desenvolvido sob a perspectiva da Web Semântica, à medida que faz uso de suas tecnologias emergentes tais como: uso de metadados padrão para a descrição de documentos - Dublin Core, uso do padrão XML para a descrição do perfil do usuário - Currículo Lattes, e provedores de serviços e de dados (OAI) envolvidos no processo de geração das recomendações. Este trabalho ainda apresenta e discute alguns resultados de experimentos baseados em avaliações quantitativas e qualitativas de recomendações geradas pelo sistema. / Currently, researchers and academics have been benefited by the expressive growth of web technologies, due to the possibility of publishing and accessing research results as soon as they are achieved. This possibility is advantageous as it minimizes the time and space barriers that traditional publications present. In this context, Digital Libraries emerged as data repositories that, beyond digital documents or links to them, store associated metadata. To allow the interoperability among different Digital Libraries, the Open Archives Initiative (OAI) was defined and, to solve the problem of metadata standardization, the Dublin Core standard (DC) was created. On the other hand, the great amount of available digital documents in the Web has caused the phenomenon known as “information overload”. In order to avoid this difficulty, Recommender Systems have been proposed and developed. These systems intend to provide an alternative interface for information filtering and retrieval technologies, focusing on the prediction of items or information parts that are interesting and useful for the user. Therefore, Recommender Systems act based on information personalization, and the predictions are generally generated using each user’s profile. The personalization is related to the way the information and the provided services can be adjusted to the specific necessities of a user or community. This dissertation describes a Recommender System for scientific articles stored in digital libraries. This system is geared towards the Computer Science scientific community. Technologically, the proposed system was developed under the Semantic Web perspective, as it explores its emergent technologies such as: use of standard metadata for document description - Dublin Core, use of the XML standard for users’ profile description - Lattes Curriculum Vitae, and services and data providers (OAI) involved on the recommendations generation process. In addition, this work presents and discusses some experimental results; the experiments are based on quantitative and qualitative evaluations of recommendations generated by the system.

Atualmente, pesquisadores e acadêmicos têm beneficiado-se muito com o crescimento acelerado das tecnologias Web, pois os resultados de pesquisa podem ser publicados e acessados eletronicamente tão logo a mesma tenha sido realizada. Esta possibilidade é vantajosa na medida em que minimiza as barreiras de tempo e espaço associadas à publicação tradicional. Neste contexto, surgem as Bibliotecas Digitais como repositórios de dados que, além dos documentos digitais propriamente ditos, ou de apontadores para estes documentos, armazenam os metadados associados. Para permitir que diferentes Bibliotecas Digitais possam interoperar surgiu a Open Archives Initiative (OAI) e, para resolver a questão da padronização dos metadados utilizados pelos repositórios, foi criado o formato Dublin Core (DC). Por outro lado, a enorme quantidade de documentos digitais disponíveis na Web tem causado o fenômeno conhecido como “sobrecarga de informação”. Com o objetivo de suprir esta dificuldade, Sistemas de Recomendação têm sido propostos e desenvolvidos. Estes sistemas visam prover uma interface alternativa para tecnologias de filtragem e recuperação de informações, tendo como foco a predição daqueles itens ou partes da informação que o usuário acharia interessante e útil. Portanto, os Sistemas de Recomendação atuam baseados em personalização da informação sendo que as predições geralmente são realizadas utilizando-se um perfil de cada usuário. A personalização está relacionada com o modo pelo qual a informação e serviços podem ser ajustados às necessidades específicas de um usuário ou comunidade. Esta dissertação descreve um Sistema de Recomendação de artigos científicos, armazenados em bibliotecas digitais. Este sistema é dirigido à comunidade científica da área da Ciência da Computação. Tecnologicamente, o sistema proposto foi desenvolvido sob a perspectiva da Web Semântica, à medida que faz uso de suas tecnologias emergentes tais como: uso de metadados padrão para a descrição de documentos - Dublin Core, uso do padrão XML para a descrição do perfil do usuário - Currículo Lattes, e provedores de serviços e de dados (OAI) envolvidos no processo de geração das recomendações. Este trabalho ainda apresenta e discute alguns resultados de experimentos baseados em avaliações quantitativas e qualitativas de recomendações geradas pelo sistema. / Currently, researchers and academics have been benefited by the expressive growth of web technologies, due to the possibility of publishing and accessing research results as soon as they are achieved. This possibility is advantageous as it minimizes the time and space barriers that traditional publications present. In this context, Digital Libraries emerged as data repositories that, beyond digital documents or links to them, store associated metadata. To allow the interoperability among different Digital Libraries, the Open Archives Initiative (OAI) was defined and, to solve the problem of metadata standardization, the Dublin Core standard (DC) was created. On the other hand, the great amount of available digital documents in the Web has caused the phenomenon known as “information overload”. In order to avoid this difficulty, Recommender Systems have been proposed and developed. These systems intend to provide an alternative interface for information filtering and retrieval technologies, focusing on the prediction of items or information parts that are interesting and useful for the user. Therefore, Recommender Systems act based on information personalization, and the predictions are generally generated using each user’s profile. The personalization is related to the way the information and the provided services can be adjusted to the specific necessities of a user or community. This dissertation describes a Recommender System for scientific articles stored in digital libraries. This system is geared towards the Computer Science scientific community. Technologically, the proposed system was developed under the Semantic Web perspective, as it explores its emergent technologies such as: use of standard metadata for document description - Dublin Core, use of the XML standard for users’ profile description - Lattes Curriculum Vitae, and services and data providers (OAI) involved on the recommendations generation process. In addition, this work presents and discusses some experimental results; the experiments are based on quantitative and qualitative evaluations of recommendations generated by the system.

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.

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 Renata Lopes (renatasil82@gmail.com) on 2017-11-07T12:44:52Z No. of bitstreams: 1 leandrosimoesdasilva.pdf: 2246306 bytes, checksum: 62b13cb16a4ded100e15966fba624bc5 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-11-09T14:37:32Z (GMT) No. of bitstreams: 1 leandrosimoesdasilva.pdf: 2246306 bytes, checksum: 62b13cb16a4ded100e15966fba624bc5 (MD5) / Made available in DSpace on 2017-11-09T14:37:32Z (GMT). No. of bitstreams: 1 leandrosimoesdasilva.pdf: 2246306 bytes, checksum: 62b13cb16a4ded100e15966fba624bc5 (MD5) Previous issue date: 2017-09-01 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Sistemas de Recomendação podem ser definidos como sistemas capazes de recomendar recursos aderentes ao perfil e contexto do usuário ou grupo de usuários, podendo ser aplicados em diversos domínios, tais como educação, turismo e e-Science. Devido a esta característica adaptável é possível encontrar diversos modelos de recomendação na literatura, cada um com combinações de métodos e algoritmos distintos. Essa variedade de modelos de recomendação pode dificultar o processo de implementação de Sistemas de Recomendação. Neste cenário, a presente dissertação apresenta a arquitetura aberta MMRecommender, onde através da combinação de componentes presentes em cada etapa é possível instanciar modelos de recomendação que podem ser aplicados a diversos domínios. Para avaliar a arquitetura são apresentados três estudos de casos sob perspectivas diferentes: o primeiro estudo de caso foca na adaptação de um Sistema de Recomendação existente para a arquitetura MMRecommender, o segundo estudo de caso implementa um modelo de recomendação criado a partir da arquitetura proposta em um ecossistema de software científico, e, por último, um estudo de caso evidenciando como a arquitetura proposta viabilizou a implementação de um Sistema de Recomendação turístico utilizado nas olimpíadas RIO 2016. Após a avaliação de cada estudo de caso foram obtidos indícios de que a arquitetura proposta pode auxiliar na construção de modelos de recomendação. / Recommender Systems can be defined as systems capable of recommending resources adhering to user or group of user’s profile and context, and can be applied in several domains, such as education, tourism and e-science. Due to this adaptive feature, it is possible to find several recommender models in the literature, each with combinations of different methods and algorithms. This variety of recommendation models can make it difficult to implement Recommender Systems. In this scenario, the present dissertation presents an open architecture MMRecommender, where through the combination of components present in each step it is possible to instantiate recommender models that can be applied to several application domains. To evaluate the architecture, three case studies are presented under different perspectives: the first case study focuses on the adaptation of an existing Recommender System to the MMRecommender architecture, the second case study implements a recommender model created from the proposed architecture in a scientific software ecosystem, and finally a case study evidences how the proposed architecture made possible the implementation of a Tourist Recommender System used in the RIO 2016 Olympic Games. After evaluating each case study it was possible to identify indications that the proposed architecture can help in the construction of recommender models.

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.