Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-03-20T18:01:37Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_Anderson P. Santos.pdf: 2148188 bytes, checksum: 2339c727793bd9032b23e5bfc3926be7 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-03-20T18:02:00Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_Anderson P. Santos.pdf: 2148188 bytes, checksum: 2339c727793bd9032b23e5bfc3926be7 (MD5) / Made available in DSpace on 2018-03-20T18:02:00Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_Anderson P. Santos.pdf: 2148188 bytes, checksum: 2339c727793bd9032b23e5bfc3926be7 (MD5) Previous issue date: 2017-09-01 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Recommend items based on similarity of interests (Collaborative Filtering) is attractive to many domains: books, movies, music, products and etc. However, it's not always works well due to the fact of collections of items as scattered as in companies such as Amazon, Netflix, Spotify, among others. Clustering based collaborative filtering proposes greater scalability for very sparse collections, its premise is if the person a and person b like the same set of movies, then the person a probably will like other movies the person b likes. Clustering people into groups based on the items they bought, one can get good recommendations for items to be bought, in this way, predictions can be made by crowding people into groups, based on the movies they watched(user-based) and/or groups of movies which tend to be of the taste of the people the same interest(item-based). The K-means is a classic clustering algorithm, being simple, efficient and widely used, however, it comes with some restrictions: the number of final groups must be defined a priori, very sensitive to the initial choice of centroids in the creation of groups, it can generate empty groups, among others. The algorithm Affinity Propagation is an alternative to K-means, it is a recently proposed algorithm that has gained great popularity in areas of bioinformatics, presen-ting good results for problems like clustering DNA sequences, and being applied also for clustering of faces (image), collections of films and summarization of texts. The document presents an approach of Recommender Systems based on clustering using Affinity Propagation in order to investigate whether the good results that the algorithm has in other areas are also valid for recommender systems area. / Recomendar itens baseados na similaridade de interesses (Filtragem Colaborativa) é atrativo para muitos domínios: livros, filmes, músicas, produtos e etc, mas isso nem sempre funciona bem devido ao fato das coleções de itens serem muitos esparsas, como ocorre em empresas como Amazon, Netflix, Spotify, entre outras. A Filtragem Colaborativa baseada em agrupamento propõe maior escalabilidade para coleções muito esparsas, sua premissa é que se a pessoa a e pessoa b gostam de um mesmo conjunto de filmes, então provavelmente a pessoa a gostara de outros filmes que a pessoa b gosta. Aglomerando pessoas em grupos baseados nos itens que elas compraram, pode-se obter boas recomendações de itens a serem comprados, dessa forma, as predições podem ser feitas aglomerando-se pessoas em grupos em função dos filmes que elas assistem (agrupamento baseado no usuário) e/ou grupos de filmes que tendem a ser do gosto das mesmas pessoas (agrupamento baseado no item). O K-means é um algoritmo clássico de agrupamento, sendo simples, eficiente e amplamente utilizado, entretanto podemos citar algumas limitações em seu uso, como, o número de grupos que deve ser definido a priori, a sensibilidade a escolha inicial dos centróides na criação dos grupos, a possibilidade de gerar grupos vazios, entre outros. O algoritmo Propagação de Afinidades é uma alternativa ao k-means, é um algo-ritmo proposto recentemente que ganhou grande popularidade na aplicação em áreas da bioinformática, apresentando bons resultados para problemas de agrupamentos de sequencias de DNA, mas também vem sendo aplicado em outras áreas, como agrupa-mento de faces (imagem), coleções de filmes e na sumarização de textos. Neste trabalho é apresentada a implementação do algoritmo Propagação de Afinidades em sistemas de recomendação baseados em agrupamento, com o intuito de investigar se os bons resultados que o algoritmo tem mostrado em outras áreas são válidos também para a área de recomendação de vídeos baseada em agrupamento, realizando comparações entre coleções de Filmes por meio de métricas de avaliação de predição para sistemas de recomendação.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2018-05-10T11:14:58Z No. of bitstreams: 1 andreluizcamposesqueffabdalla.pdf: 10771982 bytes, checksum: 662108f55e5849c1e43771419d176276 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-09-03T16:02:57Z (GMT) No. of bitstreams: 1 andreluizcamposesqueffabdalla.pdf: 10771982 bytes, checksum: 662108f55e5849c1e43771419d176276 (MD5) / Made available in DSpace on 2018-09-03T16:02:57Z (GMT). No. of bitstreams: 1 andreluizcamposesqueffabdalla.pdf: 10771982 bytes, checksum: 662108f55e5849c1e43771419d176276 (MD5) Previous issue date: 2018-03-22 / Os Sistemas de Recomendação (SR) buscam apresentar informações relevantes para os usuários no momento do consumo. A necessidade de recomendar recursos em diferentes domínios de aplicação e a necessidade do desenvolvimento de soluções focadas no reuso de componentes de SR, criam um cenário interessante para adoção de soluções na perspectiva de um Ecossistema de Software (ECOS). Um ECOS para SR deve permitir, além da interação entre atores e tecnologia, a integração com outros sistemas e plataformas que suportem outros ECOS. Através da proposição de uma plataforma tecnológica que suporte um ECOS, é possível auxiliar pesquisadores na compreensão acerca das diferentes maneiras que as organizações se relacionam. Ao aplicar a perspectiva ECOS em um domínio específico é possível centralizar os requisitos para o desenvolvimento de soluções, facilitando o reuso, criação e evolução de técnicas e abordagens específicas. A granularidade das soluções em SR, sem a possibilidade da definição de padrões de arquiteturas, aliada aos benefícios relacionados ao reuso e compartilhamento de técnicas e abordagens para SR, demonstra a necessidade de desenvolvimento de uma plataforma tecnológica, onde seja possível criar novas soluções, usufruir das soluções existentes e incentivar pesquisas nas duas principais áreas de estudo deste trabalho, Sistemas de Recomendação e Ecossistema de Software. Desta forma, o problema abordado por este estudo é a integração dos variados métodos, técnicas e abordagens de SR existentes de maneira sistemática e centralizada, sendo possível facilitar a implementação de novas soluções em SR, e ainda promover o reuso e compartilhamento destas soluções e também a colaboração entre os atores envolvidos. O objetivo geral deste estudo é propor o R.ECOS, uma plataforma tecnológica para suportar um ecossistema de software para recomendação de recursos a usuários, permitindo a integração entre suas soluções e de outros ECOS e ainda facilitar o desenvolvimento, reuso e compartilhamento destas soluções em SR. A avaliação da proposta foi realizada em duas etapas. Primeiro foram definidos dois Estudos de Viabilidade para validar a tecnologia utilizada e a arquitetura proposta. A seguir foram realizados dois Estudos de Caso em um contexto real de utilização. Os resultados indicam a viabilidade da proposta do estudo. / Recommender Systems (RS) attempt to present relevant information to users at the time of consumption. The need to recommend resources in different application domains and the need to develop solutions focused on the reuse of RS components, creates an interesting scenario for adopting solutions from the Software Ecosystem (SECO) perspective. A SECO for RS should allow, in addition to interaction between actors and technology, integrations with others systems and platforms that support others SECO. By proposing a technology platform that supports a SECO, it is possible to assist researchers in understanding the different ways that organizations relate. By applying the SECO perspective in a specific domain, it is possible to centralize the requirements for developing solutions, facilitating the reuse, creation and evolution of specific techniques and approaches. The granularity of RS solutions, without the possibility of defining architecture patterns, combined with the benefits related to the reuse and sharing of approaches for SR, demonstrates the need to develop a technological platform where it is possible to create new solutions, taking advantage of existing solutions and encouraging research in the two main areas of this work, Recommendation Systems and Software Ecosystem. In this way, the problem addressed by this study is the integration of the methods, techniques and approaches of existing RS in a systematic and centralized way, being possible to facilitate the implementation of new solutions in RS, and also to promote the reuse and sharing of solutions and also the collaboration among the involved actors. The general objective of this study is to propose R.ECOS, a technological platform to support a software ecosystem to recommend resources, allowing the integration between their solutions and other ECOS. The evaluation of the proposal was carried out in two stages. First, two Feasibility Studies were defined to validate the used technology and the proposed architecture. Later, two Case Studies were carried out in a real context of use. The results indicate the feasibility of the study proposal.

Pervasive computing systems aim to improve human-computer interaction, using users situation variables that define context. The boom of Internet makes growing availables items to choose, giving cost in made decision process. Affective Computing has in its goals to identify user s affective/emotional state in a computing interaction, in order to respond to it automatically. Recommendation systems help made decision selecting and suggesting items in scenarios where there are huge information volume, using, traditionally, users prefferences data. This process could be enhanced using context information (as physical, environmental or social), rising the Context-Aware Recommendation Systems. Due to emotions importance in our lives, that could be treated with Affective Computing, this work uses affective context as context variable, in recommendation process, proposing the Affective-Recommender a recommendation system that uses user s affective state to select and to suggest items. The system s model has four components: (i) detector, that identifies affective-state, using the multidimesional Pleasure, Arousal and Dominance model, and Self-Assessment Maniking instrument, that asks user to inform how he/she feels; (ii) recommender, that selects and suggests items, using a collaborative-filtering based approache, in which user s prefference to an item is his/her affective reaction to it as the affective state detected after access; (iii) application, which interacts with user, shows probable most interesting items defined by recommender, and requests affect identification when it is necessarly; and (iv) data base, that stores available items and users prefferences. As a use case, Affective-Recommender is used in a e-learning scenario, due to personalization obtained with recommendation and emotion importances in learning process. The system was implemented over Moodle LMS. To exposes its operation, a use scenario was organized, simulating recommendation process. In order to check system applicability, with students opinion about to inform how he/she feels and to receive suggestions, it was applied in three UFSM graduation courses classes, and then it were analyzed data access and the answers to a sent questionnaire. As results, it was perceived that students were able to inform how they feel, and that occured changes in their affecive state, based on accessed item, although they don t see improvements with the recommendation, due to small data available to process and showr time of application. / Sistemas de Computação Pervasiva buscam melhorar a interação humano-computador através do uso de variáveis da situação do usuário que definem o contexto. A explosão da Internet e das tecnologias de informação e comunicação torna crescente a quantidade de itens disponíveis para a escolha, impondo custo para o usuário no processo de tomada de decisão. A Computação Afetiva tem entre seus objetivos identificar o estado emocional/afetivo do usuário durante uma interação computacional, para automaticamente responder a ele. Já Sistemas de Recomendação auxiliam a tomada de decisão, selecionando e sugerindo itens em situações onde há grandes volumes de informação, tradicionalmente, utilizando as preferências dos usuários para a seleção e sugestão. Esse processo pode ser melhorado com o uso do contexto (físico, ambiental, social), surgindo os Sistemas de Recomendação Sensíveis ao Contexto. Tendo em vista a importância das emoções em nossas vidas, e a possibilidade de tratamento delas com a Computação Afetiva, este trabalho utiliza o contexto afetivo do usuário como variável da situação, durante o processo de recomendação, propondo o Affective-Recommender um sistema de recomendação que faz uso do estado afetivo do usuário para selecionar e sugerir itens. O sistema foi modelado a partir de quatro componentes: (i) detector, que identifica o estado afetivo, utilizando o modelo multidimensional Pleasure, Arousal e Dominance e o instrumento Self-Assessment Manikin, solicitando que o usuário informe como se sente; (ii) recomendador, que escolhe e sugere itens, utilizando uma abordagem baseada em filtragem colaborativa, em que a preferência de um usuário para um item é vista como sua reação estado afetivo detectado após o contato ao item; (iii) aplicação, que interage com o usuário, exibe os itens de provável maior interesse definidos pelo recomendador, e solicita que o estado seja identificado, sempre que necessário; e (iv) base de dados, que armazena os itens disponíveis para serem sugeridos e as preferências de cada usuário. Como um caso de uso e prova de conceito, o Affective-Recommender é empregado em um cenário de e-learning, devido à importância da personalização, obtida com a recomendação, e das emoções no processo de aprendizagem. O sistema foi implementado utilizando-se como base o AVEA Moodle. Para expor o funcionamento, estruturou-se um cenário de uso, simulando-se o processo de recomendação. Para verificar a aplicabilidade real do sistema, ele foi empregado em três turmas de cursos de graduação da UFSM, sendo analisados dados de acesso e aplicado um questionário para identificar as impressões do alunos quanto a informar como se sentem e receber recomendações. Como resultados, percebeu-se que os alunos conseguiram informar seus estados afetivos, e que houve uma mudança em neste estado com base no item acessado, embora não tenham vislumbrado melhorias com as recomendações, em virtude da pequena quantidade de dados disponível para processamento e do curto tempo de aplicação.

Sistemas de recomendação estão se tornando ferramentas indispensáveis para diversos websites, que buscam oferecer ao seu usuário uma experiência personalizada e simplificada, e sua adoção se deve principalmente devido ao grande volume de dados disponíveis, advindos de diferentes fontes e contendo informações diversificadas, aumentando a necessidade e a complexidade de se extrair valor desses dados. Com o surgimento de redes sociais online os usuários passaram a expressar seus gostos e preferências além de estabelecer relações com outros usuários, podendo estes serem seus amigos, parentes, ídolos, etc. Estas possibilidades encontradas em redes sociais motivou o presente trabalho a interpretar a comunidade científica como uma rede social, utilizando relações de coautoria, colaboração em projetos, orientações, além de citações de trabalhos e, consequentemente, citações aos respectivos autores. O objetivo deste projeto foi propor um sistema de recomendação de trabalhos científicos combinando informações sociais e informações bibliométricas, no que diz respeito a artigos citados em publicações, caraterizando-se como um facilitador para auxiliar os pesquisadores a responderem perguntas como: Quais artigos interessantes da minha área eu ainda não tenho conhecimento? e Quais artigos podem auxiliar em trabalhos que tenho em desenvolvimento? Para atingir o objetivo proposto foram desenvolvidas duas abordagens de recomendação. A primeira abordagem teve como premissa que o tempo em que as relações entre os autores foi estabelecida é determinante para selecionar os autores mais próximos (ou similares), ou seja, as relações mais recentes tendem a ser mais relevantes que as relações mais antigas. Já a segunda técnica combinou o resultados das diferentes técnicas implementadas (tanto a proposta quanto técnicas da literatura correlata) para gerar novas recomendações de maneira híbrida. Os resultados mostraram que a solução baseada no tempo apresentou resultados superiores às estratégias correlatas quando se possui mais informações sobre o autor, ou seja, autores que possuem diversas relações de coautoria e um conjunto de artigos citados elevado tendem a obter resultados melhores quando comparados aos autores que possuem poucas relações e citaram poucos artigos. Já a solução híbrida, que combina os resultados dos diversos recomendadores, apresentou uma cobertura de recomendações superior às demais, pelo fato de combinar os pontos fortes de cada uma das técnicas, encontrando recomendações relevantes no conjunto de testes em mais de 57% dos casos / Recommender systems are becoming indispensable tools on websites, in order to offer a simplified and personalized experience to their users, and its adoption is due to the fact that the volume of data available has increased and also comes from different sources with different types of information. Thus, it is challenge and necessary tools for helping to extract more valuable information from these data. The arise of online social networks allowed users to express their tastes and preferences and establish relationships with other users, such as friends, relatives, idols, etc. Those possibilities found in social networks motivated this work to interpret the scientific community as a social network, providing the ability to use co-authorship relations, collaboration in projects, tutoring relations, as well as paper citations and thus citations from their authors. The goal of this project was to propose a papers recommender system combining social and bibliometric information, regarding cited articles on published papers, being characterized as a facilitator to help researchers to answer questions such as: \"What interesting articles in my area I still have no knowledge of?\" and \"Which articles can assist in the project I am developing?\". The first algorithm proposed used the time when the coauthorship relations among authors were established as a determining parameter to choose which authors are more similar, meaning that relations established in recent time are more relevant than those that are older. The second algorithm combines the results from different implemented algorithms to determine which would be the ideal weight of each algorithm on the recommendation result, using a linear regression on the recommendations scores. The results showed that the time based solution achieved a better performance for the authors with higher amount of information available, i.e., if the author has many coauthorship relations and cited many papers, the results are better when compared with authors that does not have many relations and cited articles. On the other hand, the hybrid solution which combines the results from different recommendations approaches presented a higher coverage compared with others, due to the fact that it combines the strengths of each one of the algorithms, finding recommendation for users on 57% of the cases.

O envolvimento do consumidor é fundamental nas fases iniciais de projetos de produtos inovadores, para a coleta de informações sobre interesses e preferências orientadores do processo de geração de ideias e conceitos de novos produtos. Uma das formas de viabilizar este envolvimento é utilizando ferramentas do tipo Sistema de Engenharia Kansei. Esse tipo de ferramenta permite a tradução de inputs de grande volume de consumidores em configurações de produtos otimizados para auxiliar a equipe de projeto, no Processo de Desenvolvimento de Produtos. Há duas principais limitações nos Sistemas de Engenharia Kansei propostos na literatura. A primeira é a operacionalização do envolvimento do consumidor na etapa de definição do campo das propriedades, i.e., captação dos dados de entrada dos consumidores. A segunda é a continuidade do envolvimento, com a intenção de fornecer informações atualizadas à equipe de projetos de produtos. Este trabalho propõe e testa procedimento automático para apoiar a definição do campo das propriedades utilizando inputs indiretos de consumidores obtidos em lojas virtuais, empregando e adaptando métodos utilizados em aplicações de Sistemas de Engenharia Kansei e Sistemas de Recomendação Híbridos. O procedimento automático fornece como resultado principal uma lista de produtos e propriedades, obtidos da realidade, representativos do domínio Kansei para utilização nas etapas posteriores de um Sistema de Engenharia Kansei. O teste do procedimento automático demonstrou que a dissimilaridade presente no conjunto inicial de produtos determina o número máximo de produtos representativos do domínio; e, que o grupo de produtos e propriedades representativos do domínio, obtido da aplicação do procedimento automático, pode apresentar disparidade com relação a um grupo referencial obtido utilizando método de planejamento de experimentos, embora atenda aos critérios informados na literatura seminal de Engenharia Kansei. / The customer involvement is critical in the early stages of innovative projects, to collect information about guiding interests and preferences of the process of generating ideas and concepts of new products. One way to facilitate this involvement is using the type system of Kansei Engineering tools. This type of tool allows the translation of large volume of inputs of consumers in products optimized settings to assist the project team, the Product Development Process. There are two main limitations in Kansei Engineering Systems proposed in the literature. The first is the operationalization of consumer involvement in the step of defining the field of properties, i.e., capture the input data consumer. The second is the continued involvement with the intention to provide updated information to the team of product designs. This thesis proposes and tests automatic procedure to support the definition of the properties field using indirect inputs of consumers obtained in virtual stores, using and adapting methods used in applications of Kansei Engineering Systems and Hybrid Recommender Systems. The automatic procedure provides as main result a list of products and properties obtained from reality, representative of Kansei domain for use in the later stages of a Kansei Engineering System. The automatic test procedure showed that the dissimilarity present in the initial product set determines the maximum number of products representative of the field; and that the product group and representative properties of the domain obtained from the application of the automatic procedure can present disparity with respect to a reference group obtained using planning method of experiments, although meets the criteria given in the seminal literature Kansei Engineering.

O envolvimento do consumidor é fundamental nas fases iniciais de projetos de produtos inovadores, para a coleta de informações sobre interesses e preferências orientadores do processo de geração de ideias e conceitos de novos produtos. Uma das formas de viabilizar este envolvimento é utilizando ferramentas do tipo Sistema de Engenharia Kansei. Esse tipo de ferramenta permite a tradução de inputs de grande volume de consumidores em configurações de produtos otimizados para auxiliar a equipe de projeto, no Processo de Desenvolvimento de Produtos. Há duas principais limitações nos Sistemas de Engenharia Kansei propostos na literatura. A primeira é a operacionalização do envolvimento do consumidor na etapa de definição do campo das propriedades, i.e., captação dos dados de entrada dos consumidores. A segunda é a continuidade do envolvimento, com a intenção de fornecer informações atualizadas à equipe de projetos de produtos. Este trabalho propõe e testa procedimento automático para apoiar a definição do campo das propriedades utilizando inputs indiretos de consumidores obtidos em lojas virtuais, empregando e adaptando métodos utilizados em aplicações de Sistemas de Engenharia Kansei e Sistemas de Recomendação Híbridos. O procedimento automático fornece como resultado principal uma lista de produtos e propriedades, obtidos da realidade, representativos do domínio Kansei para utilização nas etapas posteriores de um Sistema de Engenharia Kansei. O teste do procedimento automático demonstrou que a dissimilaridade presente no conjunto inicial de produtos determina o número máximo de produtos representativos do domínio; e, que o grupo de produtos e propriedades representativos do domínio, obtido da aplicação do procedimento automático, pode apresentar disparidade com relação a um grupo referencial obtido utilizando método de planejamento de experimentos, embora atenda aos critérios informados na literatura seminal de Engenharia Kansei. / The customer involvement is critical in the early stages of innovative projects, to collect information about guiding interests and preferences of the process of generating ideas and concepts of new products. One way to facilitate this involvement is using the type system of Kansei Engineering tools. This type of tool allows the translation of large volume of inputs of consumers in products optimized settings to assist the project team, the Product Development Process. There are two main limitations in Kansei Engineering Systems proposed in the literature. The first is the operationalization of consumer involvement in the step of defining the field of properties, i.e., capture the input data consumer. The second is the continued involvement with the intention to provide updated information to the team of product designs. This thesis proposes and tests automatic procedure to support the definition of the properties field using indirect inputs of consumers obtained in virtual stores, using and adapting methods used in applications of Kansei Engineering Systems and Hybrid Recommender Systems. The automatic procedure provides as main result a list of products and properties obtained from reality, representative of Kansei domain for use in the later stages of a Kansei Engineering System. The automatic test procedure showed that the dissimilarity present in the initial product set determines the maximum number of products representative of the field; and that the product group and representative properties of the domain obtained from the application of the automatic procedure can present disparity with respect to a reference group obtained using planning method of experiments, although meets the criteria given in the seminal literature Kansei Engineering.

Sistemas de recomendação estão se tornando ferramentas indispensáveis para diversos websites, que buscam oferecer ao seu usuário uma experiência personalizada e simplificada, e sua adoção se deve principalmente devido ao grande volume de dados disponíveis, advindos de diferentes fontes e contendo informações diversificadas, aumentando a necessidade e a complexidade de se extrair valor desses dados. Com o surgimento de redes sociais online os usuários passaram a expressar seus gostos e preferências além de estabelecer relações com outros usuários, podendo estes serem seus amigos, parentes, ídolos, etc. Estas possibilidades encontradas em redes sociais motivou o presente trabalho a interpretar a comunidade científica como uma rede social, utilizando relações de coautoria, colaboração em projetos, orientações, além de citações de trabalhos e, consequentemente, citações aos respectivos autores. O objetivo deste projeto foi propor um sistema de recomendação de trabalhos científicos combinando informações sociais e informações bibliométricas, no que diz respeito a artigos citados em publicações, caraterizando-se como um facilitador para auxiliar os pesquisadores a responderem perguntas como: Quais artigos interessantes da minha área eu ainda não tenho conhecimento? e Quais artigos podem auxiliar em trabalhos que tenho em desenvolvimento? Para atingir o objetivo proposto foram desenvolvidas duas abordagens de recomendação. A primeira abordagem teve como premissa que o tempo em que as relações entre os autores foi estabelecida é determinante para selecionar os autores mais próximos (ou similares), ou seja, as relações mais recentes tendem a ser mais relevantes que as relações mais antigas. Já a segunda técnica combinou o resultados das diferentes técnicas implementadas (tanto a proposta quanto técnicas da literatura correlata) para gerar novas recomendações de maneira híbrida. Os resultados mostraram que a solução baseada no tempo apresentou resultados superiores às estratégias correlatas quando se possui mais informações sobre o autor, ou seja, autores que possuem diversas relações de coautoria e um conjunto de artigos citados elevado tendem a obter resultados melhores quando comparados aos autores que possuem poucas relações e citaram poucos artigos. Já a solução híbrida, que combina os resultados dos diversos recomendadores, apresentou uma cobertura de recomendações superior às demais, pelo fato de combinar os pontos fortes de cada uma das técnicas, encontrando recomendações relevantes no conjunto de testes em mais de 57% dos casos / Recommender systems are becoming indispensable tools on websites, in order to offer a simplified and personalized experience to their users, and its adoption is due to the fact that the volume of data available has increased and also comes from different sources with different types of information. Thus, it is challenge and necessary tools for helping to extract more valuable information from these data. The arise of online social networks allowed users to express their tastes and preferences and establish relationships with other users, such as friends, relatives, idols, etc. Those possibilities found in social networks motivated this work to interpret the scientific community as a social network, providing the ability to use co-authorship relations, collaboration in projects, tutoring relations, as well as paper citations and thus citations from their authors. The goal of this project was to propose a papers recommender system combining social and bibliometric information, regarding cited articles on published papers, being characterized as a facilitator to help researchers to answer questions such as: \"What interesting articles in my area I still have no knowledge of?\" and \"Which articles can assist in the project I am developing?\". The first algorithm proposed used the time when the coauthorship relations among authors were established as a determining parameter to choose which authors are more similar, meaning that relations established in recent time are more relevant than those that are older. The second algorithm combines the results from different implemented algorithms to determine which would be the ideal weight of each algorithm on the recommendation result, using a linear regression on the recommendations scores. The results showed that the time based solution achieved a better performance for the authors with higher amount of information available, i.e., if the author has many coauthorship relations and cited many papers, the results are better when compared with authors that does not have many relations and cited articles. On the other hand, the hybrid solution which combines the results from different recommendations approaches presented a higher coverage compared with others, due to the fact that it combines the strengths of each one of the algorithms, finding recommendation for users on 57% of the cases.

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2017-09-14T18:41:16Z No. of bitstreams: 1 dissertacao_saulo_toledo_recsys_uml.pdf: 2345909 bytes, checksum: dcaa7238380f7791f922778432a5b9ea (MD5) / Made available in DSpace on 2017-09-14T18:41:16Z (GMT). No. of bitstreams: 1 dissertacao_saulo_toledo_recsys_uml.pdf: 2345909 bytes, checksum: dcaa7238380f7791f922778432a5b9ea (MD5) Previous issue date: 2016-09-05 / Modelos UML são usados de várias formas na engenharia de software. Eles podem modelar desde requisitos até todo o software, e compreendem vários diagramas. O diagrama de classes, o mais popular dentre os diagramas da UML, faz uso de vários elementos UML e adornos, tais como abstração, interfaces, atributos derivados, conjuntos de generalização, composições e agregações. Atualmente, não há maneira fácil de encontrar este tipo de diagrama com base nestas características para a reutilização ou a aprendizagem por tarefas de exemplo. Por outro lado, Sistemas de Recomendação são ferramentas e técnicas que são capazes de descobrir os elementos mais adequados para um usuário, dentre muitos outros. Existem várias técnicas de recomendação, que usam informações dos elementos de várias maneiras, ao uso da opinião de outros usuários. Sistemas de recomendação já foram utilizados com sucesso em vários problemas de engenharia de software. Este trabalho tem como objetivo propor e avaliar (i) uma representação baseada em conteúdo para diagramas de classe e as preferências do usuário,(ii) um novo algoritmo de recomendação baseado no conhecimento, (iii) a aplicação deste algoritmo e outros dois outros do estado da arte para a recomendação de diagramas de classe UML e (iv) uma avaliação destas abordagens contra uma sugestão aleatória. Para atingir este objetivo, foi realizado um estudo de caso com estudantes de ciência da computação e egressos. Depois de comparar os algoritmos, os nossos resultados mostram que, para o nosso conjunto de dados, todos eles são melhores do que uma recomendação aleatória. / UML models are used in several ways in the software engineering. They can model from requirements to the entire software, and comprise several diagrams. The Class diagram, the most popular among the UML diagrams, makes use of several UML elements and adornments, such as abstraction, interfaces, derived attributes, generalization sets, compositions and aggregations. Currently, there is no easy way to find this kind of diagram based on these features for reuse or learning by example’s tasks, for instance. On the other hand, Recommender Systems are powerful tools and techniques that are able to discover the most appropriate elements to an user among many others. There are several recommender techniques, from using the elements’ information in several ways, to using other users’ opinions. Recommender systems were already used successfully in several software engineering problems, as discovering pieces of code to recommend (as methods, for example) and finding the best developer to work in certain software problems. This work aims to propose and evaluate (i) a content-based Recommender System’s representation for class diagrams’ features and user’s preferences, (ii) a new knowledge-based recommender algorithm, (iii) the application this algorithm and two other state of the art content-based ones to the recommendation of UML class diagrams and (iv) an evaluation of these approaches against a random suggestion. To achieve this goal, we conducted a case study with computer science students and egresses. After comparing the algorithms, our results show that, for our dataset, all of them are better than a random recommendation.

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

Modelos baseados em fatoração de matrizes estão entre as implementações mais bem sucedidas de Sistemas de Recomendação. Neste projeto, estudamos as possibilidades de incorporação de informações provindas de redes sociais, para melhorar a qualidade das predições do modelo tanto em modelos tradicionais de Filtragem Colaborativa, quanto em Filtragem Colaborativa Neural. / Models based on matrix factorization are among the most successful implementations of Recommender Systems. In this project, we study the possibilities of incorporating the information from social networks to improve the quality of predictions of the model both in traditional Collaborative Filtering and in Neural Collaborative Filtering.