Com o propósito de auxiliar os usuários no processo de tomada de decisão, diversos tipos de sistemas Web passaram a incorporar sistemas de recomendação. As abordagens mais utilizadas são a filtragem baseada em conteúdo, que recomenda itens com base nos seus atributos, a filtragem colaborativa, que recomenda itens de acordo com o comportamento de usuários similares, e os sistemas híbridos, que combinam duas ou mais técnicas. A abordagem baseada em conteúdo apresenta o problema de análise limitada de conteúdo, o qual pode ser reduzido com a utilização de informações semânticas. A filtragem colaborativa, por sua vez, apresenta o problema da partida fria, esparsidade e alta dimensionalidade dos dados. Dentre as técnicas de filtragem colaborativa, as baseadas em fatoração de matrizes são geralmente mais eficazes porque permitem descobrir as características subjacentes às interações entre usuários e itens. Embora sistemas de recomendação usufruam de diversas técnicas de recomendação, a maioria das técnicas apresenta falta de informações semânticas para representarem os itens do acervo. Estudos na área de sistemas de recomendação têm analisado a utilização de dados abertos conectados provenientes da Web dos Dados como fonte de informações semânticas. Dessa maneira, este trabalho tem como objetivo investigar como relações semânticas computadas a partir das bases de conhecimentos disponíveis na Web dos Dados podem beneficiar sistemas de recomendação. Este trabalho explora duas questões neste contexto: como a similaridade de itens pode ser calculada com base em informações semânticas e; como semelhanças entre os itens podem ser combinadas em uma técnica de fatoração de matrizes, de modo que o problema da partida fria de itens possa ser efetivamente amenizado. Como resultado, originou-se uma métrica de similaridade semântica que aproveita a hierarquia das bases de conhecimento e obteve um desempenho superior às outras métricas na maioria das bases de dados. E também o algoritmo Item-MSMF que utiliza informações semânticas para amenizar o problema de partida fria e obteve desempenho superior em todas as bases de dados avaliadas no cenário de partida fria. / In order to assist users in the decision-making process, several types of web systems started to incorporate recommender systems. The most commonly used approaches are content-based filtering, which recommends items based on their attributes; collaborative filtering, which recommends items according to the behavior of similar users; and hybrid systems that combine both techniques. The content-based approach presents the problem of limited content analysis, which can be reduced by using semantic information. The collaborative filtering, presents the problem of cold start, sparsity and high dimensionality of the data. Among the techniques of collaborative filtering, those based on matrix factorization are generally more effective because they allow us to discover the underlying characteristics of interactions between users and items. Although recommender systems have several techniques, most of them lack semantic information to represent the items in the collection. Studies in this area have analyzed linked open data from the Web of data as source of semantic information. In this way, this work aims to investigate how semantic relationships computed from the knowledge bases available in the Data Web can benefit recommendation systems. This work explores two questions in this context: how the similarity of items can be calculated based on semantic information and; as similarities between items can be combined in a matrix factorization technique, so that the cold start problem of items can be effectively softened. As a result, a semantic similarity metric was developed that leverages the knowledge base hierarchy and outperformed other metrics in most databases. Also the Item-MSMF algorithm that uses semantic information to soften the cold start problem and obtained superior performance in all databases evaluated in the cold start scenario.

A crescente oferta de programas de código aberto na rede mundial de computadores expõe potenciais usuários a muitas possibilidades de escolha. Em face da pluralidade de interesses desses indivíduos, mecanismos eficientes que os aproximem daquilo que buscam trazem benefícios para eles próprios, assim como para os desenvolvedores dos programas. Este trabalho apresenta o AppRecommender, um recomendador de aplicativos GNU/Linux que realiza uma filtragem no conjunto de programas disponíveis e oferece sugestões individualizadas para os usuários. Tal feito é alcançado por meio da análise de perfis e descoberta de padrões de comportamento na população estudada, de sorte que apenas os aplicativos considerados mais suscetíveis a aceitação sejam oferecidos aos usuários. / The increasing availability of open source software on the World Wide Web exposes potential users to a wide range of choices. Given the individuals plurality of interests, mechanisms that get them close to what they are looking for would benefit users and software developers. This work presents AppRecommender, a recommender system for GNU/Linux applications which performs a filtering on the set of available software and individually offers suggestions to users. This is achieved by analyzing profiles and discovering patterns of behavior of the studied population, in a way that only those applications considered most prone to acceptance are presented to users.

Sistemas de recomendação surgiram da necessidade de selecionar e apresentar conteúdo relevante a usuários de acordo com suas preferências. Dentre os diversos métodos existentes, aqueles baseados em conteúdo faz em uso exclusivo da informação inerente aos itens. Estas informações podem ser criadas a partir de técnicas de indexação automática e manual. Enquanto que as abordagens automáticas necessitam de maiores recursos computacionais e são limitadas á tarefa específica que desempenham, os métodos manuais são caros e propensos a erros. Por outro lado, com a expansão da Web e a possibilidade de usuários comuns criarem novos conteúdos e anotações sobre diferentes itens e produtos, uma alternativa é obter esses metadados criados colaborativamente pelos próprios usuários. Entretanto, essas informações, em especial revisões e comentários, podem conter ruídos, além de estarem em uma forma desestruturada. Deste modo, este trabalho1 tem como objetivo desenvolver métodos de construção de representações de itens baseados em descrições colaborativas para um sistema de recomendação. Objetiva-se analisar o impacto que diferentes técnicas de extração de características, aliadas à análise de sentimento, causam na precisão da geração de sugestões, avaliando-se os resultados em dois cenários de recomendação: predição de notas e geração de ranques. Dentre as técnicas analisadas, observa-se que a melhor apresenta um ganho no poder descritivo dos itens, ocasionando uma melhora no sistema de recomendação. / Recommender systems arose from the need to select and present relevant content to users according to their preferences. Among several existent methods, those based on content make exclusive use of information inherent to the items. This information can be created through automatic and manual indexing techniques. While automa-tic approaches require greater computing resources and are limited to the specific task they perform, manual methods are expensive and prone to errors. On the other hand, with the expansion of theWeb and the possibility of common users to create new content and descriptions about different items and products, an alternative is to get these metadata created collaboratively by the users. However, this information, especially reviews and comments, may contain noise, be- sides being in a unstructured fashion. Thus, this study aims to develop methods for the construction of items representations based on collaborative descriptions for a recommender system. This study aims to analyze the impact that different feature extraction techniques, combined with sentiment analysis, caused in the accuracy of the generated suggestions, evaluating the results in both recommendations cenarios: rating prediction and ranking generation. Among the analyzed techniques, it is observed that the best is able to describe items in a more effcient manner, resulting in an improvement in the recommendation system.

O processo de digitalização da TV em diversos países do mundo tem contribuído para o aumento do volume de programas de TV, o que gera uma sobrecarga de informação. Consequentemente, o usuário está enfrentando dificuldade para encontrar os programas de TV favoritos dentre as várias opções disponíveis. Diante deste cenário, os sistemas de recomendação destacam-se como uma possível solução. Tais sistemas são capazes de filtrar itens relevantes de acordo com as preferências do usuário ou de um grupo de usuários que possuem perfis similares. Entretanto, em diversas recomendações o interesse do usuário pode depender do seu contexto. Assim, torna-se importante estender as abordagens tradicionais de recomendação personalizada por meio da exploração do contexto do usuário, o que poderá melhorar a qualidade das recomendações. Para isso, este trabalho descreve uma infraestrutura de software de suporte ao desenvolvimento e execução de sistemas de recomendação sensíveis ao contexto para TV Digital Interativa - intitulada de PersonalTVware. A solução proposta fornece componentes que implementam técnicas avançadas para recomendação de conteúdo e processamento de contexto. Com isso, os desenvolvedores de sistemas de recomendação concentram esforços na lógica de apresentação de seus sistemas, deixando questões de baixo nível para o PersonalTVware gerenciar. As modelagens de usuário, e do contexto, essenciais para o desenvolvimento do PersonalTVware, são representadas por padrões de metadados flexíveis usados na TV Digital Interativa (MPEG-7 e TV-Anytime), e suas devidas extensões. A arquitetura do PersonalTVware é composta por dois subsistemas: dispositivo do usuário e provedor de serviços. A tarefa de predição de preferências contextuais é baseada em métodos de aprendizagem de máquina, e a filtragem de informação sensível ao contexto tem como base a técnica de filtragem baseada em conteúdo. O conceito de perfil contextual também é apresentado e discutido. Para demonstrar e validar as funcionalidades do PersonalTVware em um cenário de uso, foi desenvolvido um sistema de recomendação sensível ao contexto como estudo de caso. / The process of digitalization of TV in several countries around the world has, contributed to increase the volume of TV programs offered and it leads, to information overload problem. Consequently, the user facing the difficulty to find their favorite TV programs in view of various available options. Within this scenario, the recommender systems stand out as a possible solution. These systems are capable of filtering relevant items according to the user preferences or the group of users who have similar profiles. However, the most of the recommender systems for Interactive Digital TV has rarely take into consideration the users contextual information in carrying out the recommendation. However, in many recommendations the user interest may depend on the context. Thus, it becomes important to extend the traditional approaches to personalized recommendation of TV programs by exploiting the context of user, which may improve the quality of the recommendations. Therefore, this work presents a software infrastructure in an Interactive Digital TV environment to support context-aware personalized recommendation of TV programs entitled PersonalTVware. The proposed solution provides components which implement advanced techniques to recommendation of content and context management. Thus, developers of recommender systems can concentrate efforts on the presentation logic of their systems, leaving low-level questions for the PersonalTVware managing. The modeling of user and context, essential for the development of PersonalTVware, are represented by granular metadata standards used in the Interactive Digital TV field (MPEG-7 and TV-Anytime), and its extensions required. The PersonalTVware architecture is composed by two subsystems: the users device and the service provider. The task of inferring contextual preferences is based on machine learning methods, and context-aware information filtering is based on content-based filtering technique. The concept of contextual user profile is presented and discussed. To demonstrate the functionalities in a usage scenario a context-aware recommender system was developed as a case study applying the PersonalTVware.

Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2017-06-14T14:34:32Z No. of bitstreams: 1 Marcelo da Silva dos Santos_.pdf: 2140931 bytes, checksum: 0bda778dc68e4215cc28fb62ae63851a (MD5) / Made available in DSpace on 2017-06-14T14:34:32Z (GMT). No. of bitstreams: 1 Marcelo da Silva dos Santos_.pdf: 2140931 bytes, checksum: 0bda778dc68e4215cc28fb62ae63851a (MD5) Previous issue date: 2017-03-22 / Santander Universidades / A popularização do uso de redes sociais virtuais em camadas cada vez mais jovens da sociedade vem tornando-se parte do cotidiano. Neste sentido, surgem novas implementações de Rede Social, como a Rede Social Espontânea (RSE). Ao contrário das redes sociais tradicionais, em que as interações sociais geralmente são uma extensão de relacionamentos existentes no mundo real, uma RSE parte da premissa de que não existe necessidade de relacionamento prévio entre os participantes. Considerando que mesmo em grupos formados por participantes que se conhecem de longa data não é possível assegurar qualquer tipo de interação ativa virtual, em redes sociais espontâneas esse fato poderia tornar-se motivo para desestímulo a sua utilização. O presente trabalho tem como objetivo a construção de um modelo capaz de extrair informações de grupos utilizando redes sociais, permitindo determinar o perfil do grupo a partir das informações extraídas dos históricos contextuais dos seus usuários membros, e, com isso recomendar recursos capazes de influenciar a interação entre os membros. Nesse cenário se enquadra o INTERACT, um modelo que possui como principal contribuição científica utilizar os históricos contextuais dos usuários de uma Rede Social Espontânea ou qualquer outra rede social para incentivar interações entre seus participantes. A utilização desses históricos como recurso para potencializar interações foi identificado como um diferencial em relação aos trabalhos relacionados da área os quais, em sua maioria, empregam somente o contexto atual como forma de gerar ações pontuais e sem relacionamento com outros participantes. Para avaliação do modelo, um grupo de voluntários foi convidado a participar de um experimento onde o INTERACT interagiu com o grupo através de um personagem criado. A análise foi realizada quantitativamente e qualitativamente, através da coleta dos números gerados pelas interações entre os participantes, registro de atividades e questionários. Os resultados apontam aumento no volume de interações entre participantes nos momentos de atuação do protótipo. Os participantes ainda relataram a influência positiva das ações do personagem gerenciado pelo protótipo, reconhecido por parte do grupo como "membro" mais influente. / The popularization of the use of virtual social networks in increasingly young layers of society has become part of daily life. In this sense, new implementations of Social Network, such as the Spontaneous Social Network (SSN), emerge. Unlike traditional social networks, where social interactions are often an extension of existing relationships in the real world, SSN starts from the premise that there is no need for prior relationships between participants. Considering that even in groups formed by participants that are known for a long time it is not possible to assure any kind of virtual active interaction, in spontaneous social networks this fact could become reason to discourage its use. The objective of this work is the construction of a model capable of extracting information from groups using social networks, allowing determining the profile of the group from the information extracted from the contextual histories of its member users, and with this to recommend resources capable of influencing the Interaction between members. In this scenario, INTERACT is a model that has as main scientific contribution to use the contextual histories of the users of a Spontaneous Social Network or any other social network to encourage interactions among its participants. The use of historical as a resource to enhance the interactions was identified as a difference in relation to the works related to the areas of which, for the most part, only use the current context as a way to generate punctual actions and without relationship with other participants. For the evaluation of the model, a group of volunteers was invited to participate in an experiment in which INTERACT interacted with the group through a person created. The analysis was performed quantitatively and qualitatively, through the collection of numbers generated in interactions among the participants, activity records and questionnaires. The results indicate an increase in the volume of interactions between the participants in the moments of performance of the prototype. The participants also reported a positive influence of the actions of the person managed by the prototype, recognized by the group as a influential "member".

Submitted by Silvana Teresinha Dornelles Studzinski (sstudzinski) on 2015-10-21T12:12:38Z No. of bitstreams: 1 Marcos de Meira Góis_.pdf: 1916593 bytes, checksum: e5b2eae456a204d1173418cd2ed3480f (MD5) / Made available in DSpace on 2015-10-21T12:12:38Z (GMT). No. of bitstreams: 1 Marcos de Meira Góis_.pdf: 1916593 bytes, checksum: e5b2eae456a204d1173418cd2ed3480f (MD5) Previous issue date: 2015-08-04 / Nenhuma / Os Sistemas de Recomendação já estão consolidados como ferramentas que apoiam os usuários a superar as dificuldades geradas pelo volume excessivo de conteúdos disponíveis em formato digital, tendo sido projetados para realizar de forma automatizada as tarefas de classificação de conteúdos e de relacionamento deste com interesses e necessidades dos usuários. Um dos problemas ainda observados nestes sistemas está relacionado com a fragilidade de algumas abordagens de classificação e relacionamento de conteúdo que se baseiam principalmente em aspectos sintáticos dos conteúdos tratados. Os sistemas de recomendação baseados em conhecimento buscam mitigar este problema a partir da incorporação de elementos semânticos nos processos de indexação e relacionamento dos materiais. Apesar de bons resultados observados, ainda são identificadas necessidades de investigação, tanto nas atividades de classificação dos conteúdos, como na representação e tratamento dos relacionamentos entre conteúdos e possíveis interessados. Este trabalho busca colaborar com o desenvolvimento nesta área a partir da proposta de um sistema de recomendação baseado em conhecimento e voltado para a recomendação de materiais educacionais em um contexto de pequenos grupos de estudantes. O diferencial deste sistema se dá através de um processo de incorporação da semântica associada com os assuntos tratados e também com a utilização de aspectos semânticos para representar as necessidades e relacionamentos originados pelos usuários do sistema. O principal diferencial deste sistema está localizado na utilização de um algoritmo de recomendação híbrido, no qual tanto aspectos sintáticos como semânticos são empregados. Para avaliar o sistema de recomendação proposto, foi realizada a sua prototipação e teste em um ambiente controlado. / The Recommendation systems are already established as tools that support users to overcome the difficulties caused by the excessive volume of content available in digital format and was designed to conduct automated the content classification tasks and relationship of this with wins users. One of the problems observed in these systems is related to the weakness of some classification approaches and content relationship rely mainly on methodical aspects of the discussed subjects. Recommendation systems based on knowledge seek to mitigate this problem from the incorporation of semantic elements in the indexing processes and material relationship. Despite good results observed, research needs are also identified, both used to classify content activities, such as the representation and treatment of relationships between content and potential stakeholders. This paper seeks to contribute to the development in this area from the proposal for a recommendation system based on knowledge and facing the recommendation of educational materials in a context of small groups of students. The spread of this system is through a semantics of the merger process associated with these types of concerns and also with the use of semantic aspects to represent the needs and relationships originated by system users. The main distinguishing feature of this system is located in the use of a hybrid recommendation algorithm in which both syntactic and semantic aspects are employed. To evaluate the proposed recommendation system, it is due for prototyping and testing in a controlled environment.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-08-16T17:52:50Z No. of bitstreams: 1 RodrigoFeitosa.pdf: 4009932 bytes, checksum: 55ef5e97ddc653cf1849e17eafdc396f (MD5) / Made available in DSpace on 2017-08-16T17:52:50Z (GMT). No. of bitstreams: 1 RodrigoFeitosa.pdf: 4009932 bytes, checksum: 55ef5e97ddc653cf1849e17eafdc396f (MD5) Previous issue date: 2013-03-22 / The search of knowledge and its manipulation in companies, institutions or other organizations has become a challenge nowadays. Mostly due to two aspects: the large volume of information available and the difficulty in extracting the knowledge proper to each person (intellectual capital). This difficulty becomes more accentuated when the scenario involved the extraction of knowledge is the Web. The area of Knowledge Management seeks a solution to the limitations described above. Techniques for extracting and control of knowledge can be adopted with the use of Artificial Intelligence, particularly the Knowledge Discovery in Databases. This work proposes the creation of a methodology and application that perform the Data Mining with textual information linked to geo data in a social network, in order to promote Social Recommendation. However, approaches in building recommendation systems present some shortcomings in filtering the results and the way they are suggested to users. The research aims to remedy these deficiencies and addresses issues that still need to search more effective and consolidated results. / A busca do conhecimento e a sua manipulação em empresas, instituições ou outras organizações tem se tornado um desafio nos dias atuais. Em grande parte devido a dois aspectos: o grande volume de informação disponibilizada e a dificuldade em extrair o conhecimento próprio de cada pessoa (capital intelectual). Essa dificuldade torna-se mais acentuada quando o cenário envolvido para a extração de conhecimento é a Web. A área da Gestão de Conhecimento busca a solução para as limitações descritas anteriormente. Técnicas para a extração e controle do conhecimento podem ser adotadas com o uso da Inteligência Artificial, sobretudo a Descoberta de Conhecimento em Bases de Dados. Este trabalho propõe-se a criação de uma metodologia e aplicação que realize a Mineração de Dados com informações textuais vinculados a dados geolocalizados em uma Rede Social, com o intuito de promover a Recomendação Social. Entretanto, as abordagens na construção dos Sistemas de Recomendação apresentam algumas deficiências na filtragem dos resultados e na forma que estes são sugeridos aos usuários. A pesquisa busca a solução destas deficiências e aborda temas que ainda carecem de pesquisas mais efetivas e resultados consolidados.

Submitted by Maria Aparecida (cidazen@gmail.com) on 2017-08-29T14:58:03Z No. of bitstreams: 1 Eduardo Vieira.pdf: 6054087 bytes, checksum: 24f8532bfdfaeef177aa46b9f5974869 (MD5) / Made available in DSpace on 2017-08-29T14:58:03Z (GMT). No. of bitstreams: 1 Eduardo Vieira.pdf: 6054087 bytes, checksum: 24f8532bfdfaeef177aa46b9f5974869 (MD5) Previous issue date: 2007-02-12 / This work introduces PROPOST (Project Portfolio Support Tool), a knowledgebased software tool for supporting Project Portfolio Management – an increasing management model nowadays. This tool focuses on a project definition process, and was modeled using the MAAEM methodology and the ONTORMAS ontology-driven tool, as well as by reusing the ONTOINFO and ONTOWUM ontologies, which describe software product families for the development of Information Retrieval and Filtering applications, respectively. PROPOST looks for providing resource optimization by supporting reuse of existing information systems as well as avoiding duplicity on project definition for the composition on the organization’s software portfolio. The tool was created not only as a contribution for solving a current problem related to redundancy on portfolio definition, as well as support for several activities related to portfolio management (select, prioritization and evaluation). The development of PROPOST provides references on how ontology-based development can help in the software development process. It also contributes as a case study for evaluating the MAAEM methodology and the ONTORMAS ontology used in modeling process, having provided several hints for their improvement. / Este trabalho apresenta a PROPOST (Project Portfolio Support Tool), uma ferramenta baseada em conhecimento, para suporte à Gestão de Portifólio de Projetos – um modelo de gestão em ascensão na atualidade. Esta ferramenta possui seu foco no processo de definição de projetos, e foi modelada usando a metodologia MAAEM e a ferramenta dirigida por ontologias ONTORMAS, bem como pelo reuso das ontologias ONTOINFO e ONWOWUM, as quais descrevem famílias de produtos de software para o desenvolvimento de aplicações nas áreas de Recuperação e Filtragem de Informação, respectivamente. A PROPOST objetiva promover a otimização de recursos através da reutilização de sistemas de informação existentes, bem como evitar duplicidade na definição de projetos para a composição do portifólio de software das empresas. Sendo assim, a concepção desta ferramenta objetivou contribuir para a solução de um problema da atualidade, relacionado à redundância na composição do portifólio de projetos, bem como suporte a outras atividades relacionadas à gestão do portifólio (seleção, priorização e avaliação). O desenvolvimento da PROPOST também serve de referência sobre as contribuições das ontologias no processo de desenvolvimento de software. Adicionalmente, esse trabalho também constituiu um estudo de caso para avaliação da metodologia MAAEM e da ontologia ONTORMAS usadas no processo de modelagem, tendo proporcionado várias contribuições para a melhoria das mesmas.

O processo de digitalização da TV em diversos países do mundo tem contribuído para o aumento do volume de programas de TV, o que gera uma sobrecarga de informação. Consequentemente, o usuário está enfrentando dificuldade para encontrar os programas de TV favoritos dentre as várias opções disponíveis. Diante deste cenário, os sistemas de recomendação destacam-se como uma possível solução. Tais sistemas são capazes de filtrar itens relevantes de acordo com as preferências do usuário ou de um grupo de usuários que possuem perfis similares. Entretanto, em diversas recomendações o interesse do usuário pode depender do seu contexto. Assim, torna-se importante estender as abordagens tradicionais de recomendação personalizada por meio da exploração do contexto do usuário, o que poderá melhorar a qualidade das recomendações. Para isso, este trabalho descreve uma infraestrutura de software de suporte ao desenvolvimento e execução de sistemas de recomendação sensíveis ao contexto para TV Digital Interativa - intitulada de PersonalTVware. A solução proposta fornece componentes que implementam técnicas avançadas para recomendação de conteúdo e processamento de contexto. Com isso, os desenvolvedores de sistemas de recomendação concentram esforços na lógica de apresentação de seus sistemas, deixando questões de baixo nível para o PersonalTVware gerenciar. As modelagens de usuário, e do contexto, essenciais para o desenvolvimento do PersonalTVware, são representadas por padrões de metadados flexíveis usados na TV Digital Interativa (MPEG-7 e TV-Anytime), e suas devidas extensões. A arquitetura do PersonalTVware é composta por dois subsistemas: dispositivo do usuário e provedor de serviços. A tarefa de predição de preferências contextuais é baseada em métodos de aprendizagem de máquina, e a filtragem de informação sensível ao contexto tem como base a técnica de filtragem baseada em conteúdo. O conceito de perfil contextual também é apresentado e discutido. Para demonstrar e validar as funcionalidades do PersonalTVware em um cenário de uso, foi desenvolvido um sistema de recomendação sensível ao contexto como estudo de caso. / The process of digitalization of TV in several countries around the world has, contributed to increase the volume of TV programs offered and it leads, to information overload problem. Consequently, the user facing the difficulty to find their favorite TV programs in view of various available options. Within this scenario, the recommender systems stand out as a possible solution. These systems are capable of filtering relevant items according to the user preferences or the group of users who have similar profiles. However, the most of the recommender systems for Interactive Digital TV has rarely take into consideration the users contextual information in carrying out the recommendation. However, in many recommendations the user interest may depend on the context. Thus, it becomes important to extend the traditional approaches to personalized recommendation of TV programs by exploiting the context of user, which may improve the quality of the recommendations. Therefore, this work presents a software infrastructure in an Interactive Digital TV environment to support context-aware personalized recommendation of TV programs entitled PersonalTVware. The proposed solution provides components which implement advanced techniques to recommendation of content and context management. Thus, developers of recommender systems can concentrate efforts on the presentation logic of their systems, leaving low-level questions for the PersonalTVware managing. The modeling of user and context, essential for the development of PersonalTVware, are represented by granular metadata standards used in the Interactive Digital TV field (MPEG-7 and TV-Anytime), and its extensions required. The PersonalTVware architecture is composed by two subsystems: the users device and the service provider. The task of inferring contextual preferences is based on machine learning methods, and context-aware information filtering is based on content-based filtering technique. The concept of contextual user profile is presented and discussed. To demonstrate the functionalities in a usage scenario a context-aware recommender system was developed as a case study applying the PersonalTVware.

Submitted by Silvana Teresinha Dornelles Studzinski (sstudzinski) on 2016-12-21T15:44:57Z No. of bitstreams: 1 Rodrigo Silva Pereira_.pdf: 951778 bytes, checksum: 90c6af826318df7c8204565678dff935 (MD5) / Made available in DSpace on 2016-12-21T15:44:57Z (GMT). No. of bitstreams: 1 Rodrigo Silva Pereira_.pdf: 951778 bytes, checksum: 90c6af826318df7c8204565678dff935 (MD5) Previous issue date: 2016-08-28 / Nenhuma / Com a emergência do crowdsourcing junto a difusão mundial de smartphones esforços recentes e pesquisas importantes sobre o uso de crowdsourcing na área da saúde ou ainda smarthealth visam auxiliar na melhoria hábitos de saúde, construção de históricos médicos pessoais de longo prazo, análise e revisão de dados médica, controle de dietas alimentares, gerenciamento do estresse, analise e comparação de informações e assistência em tempo real para catástrofes. Porém, nenhum deles usou de crowdsourcing para recomendação de centros clínicos de saúde. Segundo Chatzimilioudis crowdsourcing refere-se "a um modelo distribuído de solução de problemas em que uma multidão de tamanho indefinido é contratada para resolver um problema complexo através de um convite aberto". Neste âmbito, este trabalho apresenta um modelo de sistema de recomendação de centros clínicos de saúde, chamado CrowdHealth. A principal contribuição do modelo de sistema de recomendação de centros clínicos é possibilitar a criação de uma relação ganha-ganha entre seus usuários que podem ser cidadãos, médicos ou ainda entidades ligadas ao governo. Na literatura encontramos alguns trabalhos que carecem a abordagem do uso de crowdsourcing como fonte de dados para recomendação de centros clínicos de saúde. Nós desenvolvemos um protótipo de aplicação baseada no modelo de sistema de recomendação de centros clínicos de saúde para proporcionar uma visão do que seria uma aplicação baseada no modelo de sistema de recomendação de centros clínicos de saúde. Para avaliar o nosso modelo, apresentamos um cenário hipotético baseado numa possível aplicação para mensurar a percepção dos usuários quanto a utilidade dos centros clínicos de saúde. Os cenários descritos levavam em consideração os seguintes critérios: (1) a distância entre do usuário ao centro clinico, (2) a avaliação dos usuários em relação ao atendimento recebido nos centros clínicos e (3) o tempo de atendimento informado pelos usuários. Desta forma realizamos uma simulação de requisições de recomendações de usuários usando um dataset real contendo informações do Foursquare. O arquivo do dataset possuia 227428 check-in’s na cidade de Nova Iorque, EUA. O arquivo, foi dividido em duas partes, onde a primeira representava os check-in’s realizados pelos usuários nos centros clínicos, e a segunda representava usuários requisitando por recomendações de centros clínicos em outros locais. Assim, foram criadas funções para simular os processos de cálculo do tempo de atendimento e avaliação dos centros clínicos por parte dos usuários. Também simulou-se usuários requisitando por recomendações de centros clínicos em outros locais. Então, medimos precisão e recuperação dos centros clínicos de saúde sugeridos para cada usuário. Obtivemos valores médios de 57,5% e 61,33% para precisão e recuperação, respectivamente. Com isso, nossa avaliação retrata que centros clínicos de saúde recomendados por uma aplicação baseada no CrowdHealth poderiam aumentar beneficamente a utilidade de centros clínicos de saúde recomendados para os usuários. / With the emergence of crowdsourcing with the worldwide spread of smartphones recent efforts and important research on the use of crowdsourcing in health or smart-health are intended to assist in improving health habits, construction of historical long-term medical personnel, medical analysis and data review, control diets, stress management, analysis and comparison of information and real-time assistance for disasters. However, none of them used the crowdsourcing for recommendation clinical health centers. In this context, this paper presents a model of clinical health centers recommendation system called CrowdHealth. The main contribution of clinical health centers recommendation system model is possible to create a win-win relationship between its users that can be citizens, doctors or entities linked to the government. In the literature we find some papers that require the use of crowdsourcing as a data source for recommendation clinical health centers approach. We have developed a prototype application based on clinical health centers recommendation system model to provide a vision of what would be an application based on the clinical health centers recommendation system model. To evaluate our model, we present a hypothetical scenario based on a possible application to measure the perception of users and the utility of clinical health centers. The scenarios described took into consideration the following criteria: (1) the distance from the user to the clinical center, (2) the evaluation of other users on the service received in the clinical centers and (3) the time of service reported by users. Thus we performed a simulation of user requests recommendations using a real dataset containing information of Foursquare. The file dataset haved 227428 check in’s in New York City, USA. The file was divided into two parts, where the first represented the textit check in ’s performed by users in clinical centers, and the second represented by requesting users polyclinics recommendations elsewhere. Thus, functions were created to simulate service time calculation and evaluation processes of polyclinics by users. Also users was simulated by ordering polyclinics recommendations elsewhere. So we measure precision and recall of health clinical centers suggested for each user. Average values obtained from 57.5 % and 61.33 % for precision and recall, respectively. Thus, our assessment that portrays clinical health centers recommended by an application based on CrowdHealth could increase beneficially the usefulness of clinical health centers recommended for users.