The growth of Web technologies has benefited researchers and the academic community by supporting the access of electronic publications as soon as they have been finished and published. In this context, Digital Libraries emerges as complex information systems which are essential for disseminating and preserving data, information and knowledge. However, due to the high amount of content available on the Web, specially in Digital Libraries, users face many correlated options, what result in the phenomenon known as information overload. Aiming to decrease or even eliminate these diffculties, recommender systems for Digital Libraries have been proposed and developed. This work presents a personalized recommender system which presents alternative ways to achieve better query results. For this, the main existing approaches of automatic recommendation have been studied in order to identify extension points and points to be improved. The proposed recommender system follows a hybrid approach which combines filtering techniques, content-based recommendation and collaborative recommendation. A hybrid recommendation engine has been proposed, which uses standard technologies for content description (Dublin Core), for communication with Digital Libraries (OAI-PMH Protocol ), as well as the user profile extracted from the curriculum vitae Lattes. The proposed solution has been evaluated in the context of the CiteSeer database, which contains papers and articles in the Dublin Core format. The preliminary results has showed an improvement in the quality of recommendation, thus presenting a better precision and coverage, when compared with existing approaches based either on content-based recommendation or on collaborative recommendation / O crescimento acelerado das tecnologias Web tem beneficiado pesquisadores e acadêmicos, pois as publicações de pesquisa podem ser acessadas eletronicamente tão logo elas tenham sido finalizadas e publicadas. Nesse contexto, surgem as Bibliotecas Digitais como um sistema de informação complexo que possui uma série de atividades que integram coleções, serviços e pessoas em suporte ao completo ciclo de criação, disseminação, acesso e preservação de dados, informação e conhecimento. No entanto, devido a enorme quantidade de conteúdo presente na Web, em particular nas Bibliotecas Digitais, usuários acabam se deparando com uma diversidade muito grande de opções, o que leva ao fenômeno conhecido como sobrecarga de informação. Com o objetivo de contribuir para amenizar ou até mesmo eliminar essas dificuldades, sistemas de recomendação para Bibliotecas Digitais têm sido propostos e desenvolvidos. Este trabalho segue essa direção, investigando soluções alternativas para alcançar mais qualidade nas indicações geradas por um sistema de recomendação na sua tarefa de ajudar os seus usuários. Para isso estudou-se as abordagens tratadas na literatura especializada sobre tais sistemas, propondo-se em seguida, um sistema de recomendação personalizada de artigos científicos para Bibliotecas Digitais. Tal sistema seguiu uma abordagem híbrida, procurando tirar proveito das características interessantes identificadas nas técnicas de filtragem e recomendação baseadas em conteúdo e colaborativa. Nesse sentido desenvolveu-se um engenho de recomendação híbrido que se utiliza de tecnologias padrão para a descrição de conteúdo (Padrão Dublin Core), comunicação com Bibliotecas Digitais (Protocolo OAI-PMH) e perfil do pesquisador (Currículo Lattes). Finalmente, avaliou-se o sistema proposto sobre uma base de dados do CiteSeer contendo artigos no formato Dublin Core, tendo os resultados preliminares mostrado-se satisfatórios melhorando a precisão na recomendação e a cobertura quando comparado com sistemas que implementam abordagens baseada em conteúdo e colaborativa isoladamente

Made available in DSpace on 2016-06-02T19:03:59Z (GMT). No. of bitstreams: 1 6340.pdf: 3337556 bytes, checksum: 693a6a9cfb4dc2a26651724099fcf890 (MD5) Previous issue date: 2014-02-28 / Financiadora de Estudos e Projetos / Recommender Systems have a very well defined function: recommend something to someone. Through Artificial Intelligence techniques, more particularly from areas such as Data Mining and Machine Learning, it is possible to build recommendation systems. These systems will analyze large amounts of data and will inform users about some items that will probably interest them. However, some limitations of the recommender systems, which are sometimes, caused by the Mining or Learning models themselves or by the lack of available data make them computationally expensive or inaccurate. Besides, recommender systems in real environments are dynamic: data change over time or with new ratings, new users, new items or when user updates previous ratings. The Never Ending-Learning Approach (NEL) aims at a self-supervised and self-reflexive learning to mainly maximize learning of a system based on data from several sources, algorithms that can cooperate to make a better knowledge base considering the dynamic of real learning problems: learning improves along the time. As mentioned before, recommender systems are dynamic and depend on data between user and items. In order to minimize this dependency and to provide meaningful and useful results to users, this work presents a Recommender System approach guided by NEL Principles. Results show that it is possible to minimize or delay the data dependency through classifiers coupling techniques and concept deviation control. Due to that, it is possible to start with little data from a recommender system that will be dynamic and will receive new information. These new information will help even more in controlling the concept deviation and promoting the most useful recommendations. Then, this thesis presents how the Recommender System guided by NEL principles can contribute to the state of the art in recommender systems and implement a system with practical results through the Never-Ending Learning Approach. / Os Sistemas de Recomendação possuem uma função muito bem definida: recomendar algo a alguém. Através de técnicas de Inteligência Artificial, mais particularmente de áreas como a Mineração de Dados e o Aprendizado de Máquina é possível construir Sistemas de Recomendação que analisem grandes volumes de dados e consigam predizer aos usuários algo que provavelmente irá lhes interessar. No entanto, algumas limitações dos Sistemas de Recomendações, causadas as vezes pelos próprios modelos de Mineração ou Aprendizado utilizados ou pela escassez dos dados disponíveis, os tornam computacionalmente caros ou imprecisos. Além disto, Sistemas de Recomendação em ambientes reais são dinâmicos, ou seja, os dados mudam com o passar do tempo seja com novas avaliações, novos usuários, novos itens ou mesmo atualizações de avaliações anteriores. A abordagem de Aprendizado Sem-Fim (SASF) visa um aprendizado autossupervisionado e autorreflexivo para, sobretudo, maximizar o aprendizado de um sistema com base em dados de fontes diversas, algoritmos que cooperem entre si para melhor modelar uma base de conhecimento e considerar a dinamicidade de problemas reais de aprendizado: Aprender amadurece com o tempo. Como já dito, sistemas de recomendação são dinâmicos e dependem de dados entre usuários e itens. Para minimizar esta dependência e prover resultados significativos e úteis aos usuários é apresentada neste trabalho uma abordagem de Sistema de Recomendação orientada pelos Princípios do Aprendizado Sem-Fim. Os resultados obtidos sugerem que é possível minimizar ou retardar a dependência de dados através de técnicas de acoplamento de classificadores e do controle do desvio de conceito. Com isto, é possível atuar com poucos dados de um sistema de recomendação que será dinâmico e receberá novas informações. Estas novas informações auxiliarão ainda mais no controle do desvio de conceito e na promoção de recomendações mais úteis. Por tudo isto, este trabalho apresenta como proposta o desenvolvimento de uma Abordagem para Sistemas de Recomendação baseada no Aprendizado Sem Fim, como forma de contribuir para o estado da arte em sistemas de recomendação e de implementar um sistema com resultados práticos através do Aprendizado sem Fim.

Made available in DSpace on 2016-06-02T19:05:39Z (GMT). No. of bitstreams: 1 2678.pdf: 1011961 bytes, checksum: 56ce59626f47482db442d90928c6a0a4 (MD5) Previous issue date: 2009-09-10 / Web sites in different areas are accessed by users with the many purposes. Several strategies have been developed and employed to improve and facilitate website access and navigation. Among these strategies there are those used to grant competitive advantages over concurrent sites, based on services of content personalization. Today, with the growth of computer networks and the emergence of ubiquitous computing, this personalization must take into account that the content of the sites can also be accessed through mobile devices. Motivated by these ideas, in this project it was developed a process in which site architectures are driven by personalization and personalized content is delivered to site users. This process, called SADP (Site Personalization by Driven Architecture), is based not only on navigation history and preferences expressed or detected by the users, but also on context information, device and network types and the site content itself. The SADP uses profiles contain information about user preferences, networks and devices used to site access. The information used to build profiles are obtained through implicit metrics, and treated using a Fuzzy Ontology. A module of Fuzzy Inference over Ontology is used to extend the user preferences. A framework for content adaptation is used to generate a site architecture based on profiles. The differential of the SADP process is that it drives the architecture of site content pages aiming to provide personalized services to the users. / Sites na Web, de diferentes domínios, são acessados por usuários com as mais variadas finalidades. Diversas estratégias têm sido desenvolvidas e empregadas para melhorar e facilitar o acesso e a navegação de sites. Entre essas estratégias destacam-se as que visam obter vantagens competitivas em relação aos sites concorrentes, através de serviços de personalização de conteúdo. Hoje, com o avanço das redes de computadores e o surgimento da computação ubíqua, essa personalização deve considerar que os conteúdos dos sites podem ser acessados também através de dispositivos móveis. Motivados por essas idéias, foi desenvolvido um processo no qual a arquitetura do site é dirigida pela personalização, entregando conteúdo personalizado e adaptado aos usuários de sites. Esse processo, denominado SADP (Site Architecture Driven by Personalization), baseia-se não apenas no histórico de navegação e nas preferências detectadas ou manifestadas pelo usuário, mas também em informações de contexto, tipos dos dispositivos e de redes de acesso utilizado e no próprio conteúdo apresentado. O SADP utiliza perfis com informações das preferências dos seus usuários, redes e dispositivos de acessos ao site. Essas informações para construção dos perfis são obtidas através de métricas implícitas, e tratadas utilizando-se Ontologia Difusa. Um módulo de Inferência sobre Ontologia Difusa é utilizado para estender as preferências dos usuários. Um framework para adaptação de conteúdo é utilizado, para gerar a arquitetura do site com base nos perfis. O processo destaca-se por dirigir a arquitetura das páginas de conteúdos do site no sentido de proporcionar serviços personalizados para os seus usuários.

Made available in DSpace on 2016-06-02T19:05:49Z (GMT). No. of bitstreams: 1 3587.pdf: 2175854 bytes, checksum: fc0f86f0d9275b05bf85e6629788ee4e (MD5) Previous issue date: 2010-11-29 / Interactive Digital Television allows several services to be offered to users, in order to provide entertainment, e-learning and new mechanisms for social inclusion. Broadcasters and TV shoes may be created, which may gradually increase the amount of information to be displayed on the screen. As a result, users may experience discomfort and difficulties in finding information that really matters. In a portable environment, the user wants to make the most of his time when watching TV. Thus, investing too much time in searching for TV shows of interest is something undesirable. Recommender systems are used to minimize such shortcomings, help users with their searches for contents of interest and also to reduce the time spent on searches. This study focused on the development of a hybrid recommender system called BIPODiTVR, which is able to make recommendations from the observation of users behavior while watching television on the portable device. This system recommends TV shows through a collaborative and content-based filtering. The proposed system was evaluated by using metrics of acceptability of recommender systems applied to data provided by IBOPE, from six households for the period of fifteen days. / A Televisão Digital Interativa permite que diversos serviços sejam oferecidos aos usuários, possibilitando entretenimento, educação à distância e novos mecanismos para a inclusão social. Emissoras e programas de TV podem ser criados, o que pode aumentar gradativamente a quantidade de informação disponível a ser visualizada nas telas. Como consequência, os usuários podem ter dificuldades em encontrar as informações que realmente interessam. No ambiente portátil o usuário deseja aproveitar ao máximo o seu tempo de visualização de TV, ou seja, investir tempo demasiado para procurar programas de TV do seu interesse é algo indesejado. Os sistemas de recomendação permitem minimizar tais dificuldades, auxiliando os usuários na sua busca por conteúdos que sejam do seu interesse e também reduzindo o tempo gasto durante a busca. Este trabalho tem como foco o desenvolvimento de um sistema de recomendação híbrido, denominado BIPODiTVR, que é capaz de recomendar conteúdo adequado a partir da observação do comportamento do usuário durante o uso da televisão no seu dispositivo portátil. O sistema recomenda programas de TV aos usuários utilizando as técnicas de Filtragem Colaborativa e Filtragem Baseada em Conteúdo e foi avaliado a partir de métricas de aceitabilidade de sistemas de recomendação baseado em dados fornecidos pelo IBOPE de seis domicílios em um período de quinze dias.

Made available in DSpace on 2016-06-02T19:05:58Z (GMT). No. of bitstreams: 1 4477.pdf: 9424807 bytes, checksum: 7fc7288ca2c87d6b86aed1053e7d8903 (MD5) Previous issue date: 2012-07-30 / Financiadora de Estudos e Projetos / This paper presents an approach for developing content-based recommendation applications with focus on the use of a specific domain fuzzy ontology along with a user preference ontology. The approach falls into two stages: Ontology Engineering and Recommendation System Engineering. In the Ontology Engineering, a domain ontology with fuzzy relationships and a user ontology are built. The user ontology is set as an instance of the domain ontology, but it is modeled in a way that allows to store each user s preferences. The usage of the ontologies produced in Ontology Engineering provides a gain in precision for the results obtained by applications in the Recommendation System Engineering stage. For evaluation purposes, we instantiated the proposed approach in the development of a Recommender System for the field of electronic commerce, focusing on the mobile devices commerce domain. Following the experimental methodology, An evaluation was conducted in order to assess the approach s impact on the accuracy of results provided by the developed Recommender System. The results showed that the use of our approach contributed to increase the accuracy of the results, in terms of prediction, classification and ranking. The contributions of this work include: the approach for developing content-based recommendation applications by using a specific domain fuzzy ontology along with a user preference ontology; the definition of the UPFON methodology, which integrates the approach, to construct fuzzy ontologies; an instantiation of a fuzzy ontology for the mobile devices domain and a strategy to capture; and propagate the user preferences by means of ontologies. / Esta dissertação apresenta uma abordagem para o desenvolvimento de aplicações de recomendação baseadas em conteúdo utilizando ontologia específica de domínio e ontologia de preferência de usuário. Tal abordagem está dividida em duas etapas: a Engenharia de Ontologia e a Engenharia do Sistema de Recomendação. Na Engenharia de Ontologia são construídas: uma ontologia de domínio com relacionamentos difusos; e uma ontologia crisp de usuário definida como uma instância da ontologia de domínio, porém modelada de forma que permita refletir as preferências de cada usuário para o domínio instanciado. A utilização das ontologias produzidas na Engenharia de Ontologia proporciona um ganho de precisão nos resultados obtidos por aplicações desenvolvidas conforme a abordagem proposta. Para fins de avaliação, a abordagem proposta foi instanciada no domínio de comércio de dispositivos móveis. Seguindo a metodologia experimental, foi conduzida uma experimentação com o objetivo de avaliar o impacto da abordagem na precisão dos resultados fornecidos pelo Sistema de Recomendação. Os resultados evidenciaram que o uso da abordagem proposta colaborou para o incremento da precisão dos resultados. As contribuições deste trabalho incluem: a abordagem para o desenvolvimento de aplicações de recomendação baseadas em conteúdo utilizando ontologia fuzzy específica de domínio e ontologia de preferência de usuário; a definição da metodologia de construção de ontologias fuzzy chamada UPFON; a instanciação de uma ontologia fuzzy no domínio dos dispositivos móveis e a estratégia para capturar as preferências do usuário e propagá-las em uma ontologia crisp de usuário.

Submitted by Clebson Anjos (clebson.leandro54@gmail.com) on 2016-02-11T18:57:46Z No. of bitstreams: 1 arquivototal.pdf: 1637083 bytes, checksum: 23ef5059be1eb85b0ff5f8ccf73e60d0 (MD5) / Made available in DSpace on 2016-02-11T18:57:46Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 1637083 bytes, checksum: 23ef5059be1eb85b0ff5f8ccf73e60d0 (MD5) Previous issue date: 2013-03-18 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The emerging scenario of interactive Digital TV (iDTV) is promoting the increase of interactivity in the communication process and also in audiovisual production, thus rising the number of channels and resources available to the user. This reality makes the task of finding the desired content becoming a costly and possibly ineffective action. The incorporation of recommender systems in the iDTV environment is emerging as a possible solution to this problem. This work aims to propose a hybrid approach to content recommendation in iDTV, based on data mining techniques, integrated the concepts of the Semantic Web, allowing structuring and standardization of data and consequent possibility of sharing information, providing semantics and automated reasoning. For the proposed service is considered the Brazilian Digital TV System and the middleware Ginga. A prototype has been developed and carried out experiments with NetFlix database using the measuring accuracy for evaluation. There was obtained an average accuracy of 30% using only mining technique. Including semantic rules obtained average accuracy of 35%. / Com o advento da TV Digital interativa (TVDi), nota-se o aumento de interatividade no processo de comunicação além do incremento das produções audiovisuais, elevando o número de canais e recursos disponíveis para o usuário. Esta realidade faz da tarefa de encontrar o conteúdo desejado uma ação onerosa e possivelmente ineficaz. A incorporação de sistemas de recomendação no ambiente TVDi emerge como uma possível solução para este problema. Este trabalho tem como objetivo propor uma abordagem híbrida para recomendação de conteúdo em TVDi, baseada em técnicas de Mineração de Dados, integradas a conceitos da Web Semântica, permitindo a estruturação e padronização dos dados e consequente possibilidade do compartilhamento de informações, provendo semântica e raciocínio automático. Para o serviço proposto é considerado o Sistema Brasileiro de TV Digital e o middleware Ginga. Foi desenvolvido um protótipo e realizado experimentos com a base de dados do NetFlix, utilizando a métrica de precisão para avaliação. Obteve-se uma precisão média de 30%, utilizando apenas a técnica de mineração. Acoplando-se com as regras semânticas obteve-se precisão média de 35%.

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-05-08T15:41:02Z No. of bitstreams: 1 AUGUSTO QUEIROZ DE MACEDO - PPGCC 2015..pdf: 6968007 bytes, checksum: 87fa2564456dfd56be7e711e21a082df (MD5) / Made available in DSpace on 2018-05-08T15:41:02Z (GMT). No. of bitstreams: 1 AUGUSTO QUEIROZ DE MACEDO - PPGCC 2015..pdf: 6968007 bytes, checksum: 87fa2564456dfd56be7e711e21a082df (MD5) Previous issue date: 2015-03-27 / A Web tem crescido tornando-se um dos mais importantes canais para comunicar eventos sociais hoje em dia. As pessoas planejam, compartilham e comentam sobre os eventos na Web. As redes sociais baseadas em eventos (RSBEs) foram criadas para ajudar as pessoas a encontrar e conhecerem-se uns aos outros de uma forma mais simples e rápida. No entanto, o grande volume de eventos disponíveis, muitas vezes prejudica a capacidade dos usuários de escolher os eventos que melhor se adequam à suas preferências pessoais. Sistemas de recomendação aparecem como uma solução natural para este problema. No entanto, diferentemente dos cenários de recomendação clássica (e.g. recomendação de filmes, livros, restaurantes), o problema de recomendação de eventos é intrinsecamente cold-start (início frio) quando inexistem informações sobre as interações de usuários e itens no momento da recomendação. A princípio, esta interação só acontece após a ocorrência do evento. E mesmo usando informações de RSVPs (i.e. intenção declarada do usuário em comparecer à um evento futuro), o recomendador continua enfrentando alta esparsidade de dados, que é agravada pela tendência que os usuários possuem em enviar RSVPs próximos à ocorrência dos eventos. Para superar essas limitações, propomos um modelo de recomendação híbrido que otimiza o ranking personalizado dos eventos baseado no potencial de vários sinais contextuais disponíveis nas RSBEs. Além de sinais sociais derivados dos RSVPs e das associações dos usuários em grupos online, exploramos também os sinais de conteúdo das descrições dos eventos, sinais de localização baseados nas coordenadas geográficas da casa dos usuários e dos eventos e sinais temporais derivados das preferências de horário e dias da semana do usuário em relação aos seus eventos passados. Por meio de experimento sutilizando uma grande coleta do Meetup.com melhoramos em mais de 60% a métrica de ranking personalizado avaliada com a nossa abordagem híbrida de aprendizagem multi-contextual em comparação com um recomendador de eventos do estado-da-arte da literatura. / The Web has grown into one of the most important channels to communicate social events nowadays. People plan, share and comment meetings through the Web. The event-based social networks (EBSNs) have been created to help people meet and know each others in a simpler and faster way. However, the sheer volume of events available often undermines the users’ ability to choose the events that best fit their personal preferences. Recommender systems appear as a natural solution for this problem. However, differently from the classic recommendation scenarios (e.g. movies, books, restaurants recommendations),the event recommendation problem is intrinsically cold-start, there is no information about the users and items interactions in recommendation time. At first, this interaction only happens after the ocurrence of the event. And even using the RSVPs informations (i.e. declared user intention to attend or not a future event), the recommender will still have to face its high sparsity worsened by the trend that users have to send RSVPs near the ocurrence of the events. To overcome this limitation, we propose a hybrid recommendation model that optimizes a personalized ranking of events based on the several contextual signals available in EBSNs. Besides social signals derived from RSVPs and user’s associations in online groups, we exploit the content signals from events’ description, location signals based on the users’ home and events geographic coordinates and temporal signals derived from the temporal and weekday users’ preferences related to their past events. Thorough experiments using a large crawl of Meetup.com we improved in more than 60% the evaluated personalized ranking metric with our multi-contextual learning approach when compared to a state-of-the-art event recommender from the literature.

Made available in DSpace on 2014-06-12T15:59:01Z (GMT). No. of bitstreams: 2 arquivo4812_1.pdf: 2843132 bytes, checksum: cf053779fad5d73c77a2b107542256b3 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / Ricardo de Melo Queiroz, Sérgio; de Assis Tenório Carvalho, Francisco. Group recommendation strategies based on collaborative filtering. 2003. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2003.

Submitted by Erika Demachki (erikademachki@gmail.com) on 2015-03-24T21:17:09Z No. of bitstreams: 3 Dissertação - Luiz Mario Lustosa Pascoal - 2014.pdf: 7280181 bytes, checksum: 68a6ac0602e3e51f6e6952bbd6916150 (MD5) FunctionApproximator.zip: 2288624 bytes, checksum: 178c2e6a0b080b3d0548836974016236 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Erika Demachki (erikademachki@gmail.com) on 2015-03-24T21:19:16Z (GMT) No. of bitstreams: 3 Dissertação - Luiz Mario Lustosa Pascoal - 2014.pdf: 7280181 bytes, checksum: 68a6ac0602e3e51f6e6952bbd6916150 (MD5) FunctionApproximator.zip: 2288624 bytes, checksum: 178c2e6a0b080b3d0548836974016236 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2015-03-24T21:19:16Z (GMT). No. of bitstreams: 3 Dissertação - Luiz Mario Lustosa Pascoal - 2014.pdf: 7280181 bytes, checksum: 68a6ac0602e3e51f6e6952bbd6916150 (MD5) FunctionApproximator.zip: 2288624 bytes, checksum: 178c2e6a0b080b3d0548836974016236 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Previous issue date: 2014-08-22 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / With the development of web 2.0, social networks have achieved great space on the internet, with that many users provide information and interests about themselves. There are expert systems that make use of the user’s interests to recommend different products, these systems are known as Recommender Systems. One of the main techniques of a Recommender Systems is the Collaborative Filtering (User-based) which recommends products to users based on what other similar people liked in the past. Therefore, this work presents model approximation of functions that generates rankings, that through a Genetic Algorithm, is able to learn an approximation function composed by different social variables, customized for each Facebook user. The learned function must be able to reproduce a ranking of people (friends) originally created with user’s information, that apply some influence in the user’s decision. As a case study, this work discusses the context of events through information regarding the frequency of participation of some users at several distinct events. Two different approaches on learning and applying the approximation function have been developed. The first approach provides a general model that learns a function in advance and then applies it in a set of test data and the second approach presents an specialist model that learns a specific function for each test scenario. Two proposals for evaluating the ordering created by the learned function, called objective functions A and B, where the results for both objective functions show that it is possible to obtain good solutions with the generalist and the specialist approaches of the proposed method. / Com o desenvolvimento da Web 2.0, as redes sociais têm conquistado grande espaço na internet, com isso muitos usuários acabam fornecendo diversas informações e interesses sobre si mesmos. Existem sistemas especialistas que fazem uso dos interesses do usuário para recomendar diferentes produtos, esses sistemas são conhecidos como Sistemas de Recomendação. Uma das principais técnicas de um Sistema de Recomendação é a Filtragem Colaborativa (User-based) que recomenda produtos para seus usuários baseados no que outras pessoas similares à ele tenham gostado no passado. Portanto, este trabalho apresenta um modelo de aproximação de funções geradora de rankings que, através de um Algoritmo Genético, é capaz de aprender uma função de aproximação composta por diferentes atributos sociais, personalizada para cada usuário do Facebook. A função aprendida deve ser capaz de reproduzir um ranking de pessoas (amigos) criado originalmente com informações do usuário, que exercem certa influência na decisão do usuário. Como estudo de caso, esse trabalho aborda o contexto de eventos através de informações com relação a frequência de participação de alguns usuários em vários eventos distintos. Foram desenvolvidas duas abordagens distintas para aprendizagem e aplicação da função de aproximação. A primeira abordagem apresenta um modelo generalista, que previamente aprende uma função e em seguida a aplica em um conjunto de dados de testes e a segunda abordagem apresenta um modelo especialista, que aprende uma função específica para cada cenário de teste. Também foram apresentadas duas propostas para avaliação da ordenação criada pela função aprendida, denominadas funções objetivo A e B, onde os resultados para ambas as funções objetivo A e B mostram que é possível obter boas soluções com as abordagens generalista e especialista do método proposto.

Made available in DSpace on 2016-03-15T19:37:46Z (GMT). No. of bitstreams: 1 Antonio Eduardo Rodrigues de Souza.pdf: 1430416 bytes, checksum: 7625e34085fd9ad09014886b876642c3 (MD5) Previous issue date: 2013-08-27 / Economic globalization has made products and services markets more competitive, demanding a better qualification of manpower. Consequently, companies are in need of best qualified professionals to meet specific demands. In this context, specialization courses options have been sought by professionals to acquire and update knowledge. However, diversification of courses offered by various institutions in various areas, targeted to specific audiences or general, or the lack of objective information, hinder the understanding of the important factors in the decision to be taken by a candidate. A poorly chosen option may incur factors that can trigger the change or even dropping out of the course. The topic is current and relevant to Higher Education Institutions (HEIs), showing the importance of offering specialized courses that are aligned to the skills of educational institutions and the interests of the professional training and retraining. Therefore, this paper proposes to study professional factors that influence candidates in choosing a course, and develop a recommendation model, using artificial intelligence techniques to practical use in HEIs, which assists applicants in the choice of courses, as well as serve as support and guidance to staff in the selection of candidates. It was applied a methodology based on processes Knowledge Discovery in Databases (KDD) and Cross-Industry Standard Process for Data Mining (CRISP-DM) in the evaluation of the historical data of candidates freshmen at a private university in the city of São Paulo, and proposed a recommendation model, which will identify the most suitable course of a candidate's profile, using a technique of data mining based on decision trees for the discovery of relevant knowledge from database. The completion of this project has allowed to propose courses that would be more suitable to professional profiles of the candidates, based on the professional and educational historical information which were considered more important for the candidate selection. It is expected, therefore, that the counseling service will become more accurate and more responsive to the selection of candidates, assisting to reduce the number of abandonments, dropouts or changes in specialization courses offered by the studied university. / A globalização da economia tornou os mercados de produtos e serviços mais competitivos, demandando uma melhor qualificação da mão-de-obra. Consequentemente, as empresas têm necessitado de profissionais mais bem qualificados para atender a demandas específicas. Neste contexto, os cursos de especialização têm sido opções procuradas por profissionais para adquirir e atualizar o conhecimento. Contudo, a diversificação de cursos, oferecidos por diversas instituições de ensino, nas mais variadas áreas, direcionados a públicos específicos ou gerais, ou a falta de informações objetivas, dificultam a compreensão de fatores importantes na decisão a ser tomada por um candidato. Uma opção mal escolhida pode incorrer em fatores que podem desencadear a mudança ou até mesmo a desistência do curso. O tema é atual e relevante para as Instituições de Ensino Superior (IES), mostrando a importância de se ofertar cursos de especialização que estejam alinhados às competências das instituições de ensino e aos interesses de capacitação e requalificação do profissional. Portanto, o presente trabalho propõe estudar as características profissionais que influenciam os candidatos na escolha de um curso, e desenvolver um modelo de recomendação, utilizando-se técnicas de inteligência artificial, para uso prático nas IES, que auxilie os candidatos na escolha dos cursos, assim como sirva de apoio aos coordenadores na orientação e seleção dos candidatos. Será aplicada uma metodologia baseada nos processos Knowledge Discovery in Databases (KDD) e CRoss-Industry Standard Process for Data Mining (CRISPDM) para análise e avaliação dos dados históricos de candidatos ingressantes em uma universidade particular, na cidade de São Paulo, e proposto um modelo de recomendação, que identificará o curso mais adequado ao perfil de um candidato, utilizando-se uma técnica de mineração de dados baseada em árvores de decisão para a descoberta de conhecimento relevante do banco de dados. A conclusão do projeto permitiu propor cursos que seriam mais adequados aos perfis profissionais dos candidatos, tomando-se como base as informações do histórico profissional e educacional que foram consideradas mais importantes para a seleção dos candidatos. Espera-se, com isso, tornar mais preciso o serviço de aconselhamento de cursos, e mais ágil a seleção de candidatos, contribuindo para a redução do número de abandonos, desistências ou mudanças nos cursos de especialização oferecidos pela universidade estudada.