Made available in DSpace on 2014-06-12T15:59:37Z (GMT). No. of bitstreams: 2 arquivo5346_1.pdf: 1776923 bytes, checksum: f744986693684a54ed4294ce35659f25 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / Nos dias de hoje, a quantidade de informação disponível é muito maior do que nossa capacidade de tratá-la. Vemos-nos diante de centenas de canais de televisão, dezenas de filmes para ver e milhares de produtos nas lojas de comércio eletrônico. Quando precisamos tomar uma decisão e não conhecemos todas as alternativas possíveis, uma abordagem bastante freqüente é buscar a recomendação de outras pessoas. Na década de 1990 surgiram sistemas computacionais capazes de automatizar o processo de recomendações. Em geral os Sistemas de Recomendação, como ficaram conhecidos, coletam indicadores das preferências dos usuários para fornecer-lhes uma visão personalizada da informação. Uma abordagem amplamente empregada nos Sistemas de Recomendação é a Filtragem Colaborativa (FC), em que a produção das sugestões é feita com base na similaridade entre usuários. Assim, para prever a relevância que um item i terá para um usuário alvo u, o sistema se baseia nas opiniões dos usuários com preferências similares às de u sobre i. Um problema freqüente nos Sistemas de Recomendação diz respeito à chegada de um novo usuário. Nessa situação, o sistema não conhece nada a respeito das preferências dele e também não é capaz de gerar-lhe recomendações. Nos sistemas que utilizam FC isto também ocorre, pois a similaridade entre os usuários é computada com base nos itens que eles avaliaram em comum. Para amenizar esse problema, uma solução é que haja uma etapa inicial na utilização do sistema em que sejam apresentados alguns itens para o usuário novato avaliar. No entanto isso precisa ser feito de maneira eficiente, para que o sistema adquira o máximo de informação com um mínimo de esforço do usuário. O paradigma de aprendizagem em que o algoritmo controla os exemplos utilizados no treinamento para otimizar o processo é chamado de aprendizagem ativa. A aplicação dessa técnica para melhorar o processo de aquisição das preferências do usuário em sistemas de FC tem sido alvo de vários estudos. Em um deles foi proposto o método ActiveCP que combinava a controvérsia e da popularidade de um item para determinar a ordem em que seriam apresentados para serem avaliados pelo usuário. O método apresentou bons resultados experimentais. Neste trabalho, é investigada a utilização de uma nova medida de controvérsia capaz de resolver várias das restrições presentes na metodologia originalmente proposta no ActiveCP. É também apresentada uma nova metodologia, mais simples, com uma melhor aplicabilidade prática e que mantém os ganhos de informação na aquisição das preferências dos usuários obtidos pelo método original. Finalmente, a nova metodologia é avaliada em uma base de usuários com avaliações de filmes que simula a base de dados de um sistema em início de operação

Made available in DSpace on 2014-06-12T16:00:10Z (GMT). No. of bitstreams: 2 arquivo6092_1.pdf: 1754951 bytes, checksum: 29f0cd3115cc36a8a890dbc3a4def5bb (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Freqüentemente, pessoas precisam, para realização de sua tarefa, de determinado conhecimento que só pode ser obtido através de experiência e prática, que elas podem não possuir. Elas podem economizar tempo e esforço se puderem interagir, informalmente, com outras pessoas que já possuam esse conhecimento. A colaboração informal facilita a troca de experiências e permite o reuso de conhecimento entre os indivíduos. Sistemas de Recomendação de Especialistas (SRE) podem ser usados para promover a colaboração informal através da identificação de especialistas que possam ajudar indivíduos na realização de suas tarefas. No entanto, os SRE existentes são centrados no especialista, em vez do usuário, e não levam em consideração o contexto dos envolvidos na recomendação. O objetivo deste trabalho é o desenvolvimento de um SRE que utiliza o contexto do usuário e do especialista para fazer recomendações mais ajustadas às necessidades do primeiro e, dessa maneira, facilitar a colaboração informal: o ICARE (Intelligent Context Awareness for Recommending Experts). Para tanto, é preciso entender o contexto das pessoas e como determinar as suas especialidades, definir as informações contextuais que devem ser consideradas e um processo de aquisição das especialidades e, finalmente, definir uma heurística de classificação dos especialistas a recomendar de acordo com o contexto de especialista e usuário. As principais contribuições deste trabalho são a inserção de sensibilidade a contexto no processo de recomendação de especialistas, uma ausência identificada nos sistemas existentes, e o desenvolvimento de um SRE sensível ao contexto. No experimento realizado, a sensibilidade a contexto do ICARE foi aprovada e os resultados gerados pelas recomendações realizadas foram bem avaliados pelos participantes

Made available in DSpace on 2014-06-12T16:00:44Z (GMT). No. of bitstreams: 2 arquivo6895_1.pdf: 1091353 bytes, checksum: a93fceac2e2a0d3c9f500615e3a1eebe (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Novatos em um projeto de desenvolvimento de software costumam ter problemas nas suas primeiras tarefas, porque antes de tornarem-se produtivos como os desenvolvedores mais experientes, eles precisam aprender as ferramentas, como o código-fonte está organizado, como todo projeto funciona, entre outras atividades. Muitas vezes, para ensinar a um novato o que ele precisa, um mentor, alguém mais experiente no projeto, é alocado para guiá-lo nos seus primeiros passos. Durante o desenvolvimento de software os desenvolvedores interagem com sistemas de controle de versão, sistemas de controle de mudanças e listas de discussão. Todas essas ferramentas gravam artefatos e a este conjunto de dados damos o nome de memória do projeto. Sistemas de recomendação podem ajudar os desenvolvedores usando a memória do projeto para recomendar artefatos importantes e assim evitar a necessidade de comunicação contínua entre as pessoas. Usando um sistema de recomendação os desenvolvedores perguntam primeiro para o computador, portanto eles só precisam perguntar para outro desenvolvedor se o sistema de recomendação falhar em guiá-lo para a resposta correta. Este trabalho apresenta a criação de um sistema de recomendação para Engenharia de Software chamado Mentor. Seu objetivo é recomendar arquivos de código-fonte que devem fazer parte da solução de uma solicitação de mudança. Além disso são apresentados e discutidos os resultados de três experimentos realizados para comparar técnicas de atribuição de similaridade utilizando os dados dos projetos GTK+, Hadoop e GIMP. Usando o PPM para atribuir similaridade foram conseguidos resultados para recall rate entre 38,82% e 66,8%, e utilizando o LSI os resultados variaram entre 24,6% e 47,6%

Submitted by Haroudo Xavier Filho (haroudo.xavierfo@ufpe.br) on 2016-03-11T15:25:20Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) dissertação_gava_cin.pdf: 1596983 bytes, checksum: 23245c1b65fe3416d3baeeac5e118845 (MD5) / Made available in DSpace on 2016-03-11T15:25:20Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) dissertação_gava_cin.pdf: 1596983 bytes, checksum: 23245c1b65fe3416d3baeeac5e118845 (MD5) Previous issue date: 2015-08-06 / Sistemas de recomendação têm desempenhado um papel importante em diferentes contextos de aplicação (e.g recomendação de produtos, filmes, músicas, livros, dentre outros). Eles automaticamente sugerem a cada usuário itens que podem ser relevantes, evitando que o usuário tenha que analisar uma quantidade gigantesca de itens para realizar sua escolha. Filtragem colaborativa (FC) é a abordagem mais popular para a construção de sistemas de recomendação, embora sofra com problemas relacionados à esparsidade dos dados (e.g., usuários ou itens com poucas avaliações). Neste trabalho, investigamos a combinação de técnicas de FC, representada pela técnica de Fatoração de Matrizes, e técnicas de recomendação baseada em confiança (RBC) em redes sociais para aliviar o problema da esparsidade dos dados. Sistemas de RBC têm se mostrado de fato efetivos para aumentar a qualidade das recomendações, em especial para usuários com poucas avaliações realizadas (e.g., usuários novos). Entretanto, o desempenho relativo entre técnicas de FC e de RBC pode depender da quantidade de informação útil presente nas bases de dados. Na arquitetura proposta nesse trabalho, as predições geradas por técnicas de FC e de RBC são combinadas de forma ponderada através de medidas de esparsidade calculadas para usuários e itens. Para isso, definimos inicialmente um conjunto de medidas de esparsidade que serão calculadas sobre a matriz de avaliações usuários-itens e matriz de confiança usuários-usuários. Através de experimentos realizados utilizando a base de dados Epinions, observamos que a proposta de combinação trouxe uma melhoria nas taxas de erro e na cobertura em comparação com as técnicas isoladamente. / Recommender systems have played an important role in different application contexts (e.g recommendation of products, movies, music, books, among others). They automatically suggest each user items that may be relevant, preventing the user having to analyze a huge amount of items to make your choice. Collaborative filtering (CF) is the most popular approach for building recommendation systems, although suffering with sparsity of the data-related issues (eg, users or items with few evaluations). In this study, we investigated the combination of CF techniques represented by matrix factorization technique, and trust-based recommendation techniques (TBR) on social networks to alleviate the problem of data sparseness. TBR systems have in fact proven to be effective to increase the quality of the recommendations, especially for users with few assessments already carried out (e.g., cold start users). However, the relative performance between CF and TBR techniques may depend on the amount of useful information contained in the databases. In the proposed architecture in this work, the predictions generated by CF and TBR techniques are weighted combined through sparsity measures calculated to users and items. To do this, first we define a set of sparsity measures that will be calculated on the matrix of ratings users-items and matrix of trust users-users. Through experiments using Epinions database, we note that the proposed combination brought an improvement in error rates and coverage compared to combined techniques.

Recommender Systems (RS) support users to find relevant content, such as movies, books, songs, and other products based on their preferences. Such preferences are gathered by analyzing past users interactions, however, data collected for this purpose are typically prone to sparsity and high dimensionality. Clustering-based techniques have been proposed to handle these problems effectively and efficiently by segmenting the data into a number of similar groups based on predefined characteristics. Although these techniques have gained increasing attention in the recommender systems community, they are usually bound to a particular recommender system and/or require critical parameters, such as the number of clusters. In this work, we present three variants of a general-purpose method to optimally extract users groups from a hierarchical clustering algorithm specifically targeting RS problems. The proposed extraction methods do not require critical parameters and can be applied prior to any recommendation system. Our experiments have shown promising recommendation results in the context of nine well-known public datasets from different domains. / Sistemas de Recomendação auxiliam usuários a encontrar conteúdo relevante, como filmes, livros, músicas entre outros produtos baseando-se em suas preferências. Tais preferências são obtidas ao analisar interações passadas dos usuários, no entanto, dados coletados com esse propósito tendem a tipicamente possuir alta dimensionalidade e esparsidade. Técnicas baseadas em agrupamento de dados têm sido propostas para lidar com esses problemas de foma eficiente e eficaz ao dividir os dados em grupos similares baseando-se em características pré-definidas. Ainda que essas técnicas tenham recebido atenção crescente na comunidade de sistemas de recomendação, tais técnicas são usualmente atreladas a um algoritmo de recomendação específico e/ou requerem parâmetros críticos, como número de grupos. Neste trabalho, apresentamos três variantes de um método de propósitvo geral de extração ótima de grupos em uma hierarquia, atacando especificamente problemas em Sistemas de Recomendação. Os métodos de extração propostos não requerem parâmetros críticos e podem ser aplicados antes de qualquer sistema de recomendação. Os experimentos mostraram resultados promissores no contexto de nove bases de dados públicas conhecidas em diferentes domínios.

Coleções digitais de mídias, tanto pessoais como online, crescem rapidamente. Para que grandes quantidades de músicas sejam acessíveis à usuários, serviços populares como iTunes, Last.fm e Pandora oferecem recomendações. Essa abordagem livra usuários de lembrarem de músicas, e permite a descoberta de canções novas ou esquecidas. Mas recomendações apresentam problemas com usuários, como credibilidade e falta de controle. A motivação deste trabalho é melhorar a experiência de usuários com recomendações de música através do uso de explicações. Ao usar um sistema de recomendação, a satisfação e aprovação de usuários não depende só da eficácia do algoritmo, mas também de explicações. Pesquisas mostram que estas podem beneficiar sistemas de recomendação, aumentando a credibilidade e satisfação de usuários, ao oferecer mais transparência e formas de correção. O objetivo deste trabalho é projetar e desenvolver uma nova forma de visualização de tags, e testar sua viabilidade para explicar e filtrar recomendações de músicas. Mais precisamente, investigamos se esta visualização pode favorecer as metas de inspeção (scrutability), eficiência, eficácia e satisfação. A partir da pesquisa em necessidades de usuários para recomendações e música, a visualização Tag Strings foi projetada e desenvolvida. Tag Strings inclui tanto a interface da visualização, quanto o processo de coleta e cálculo de relevância de tags e músicas. Para a avaliação da visualização Tag Strings, dois tipos de experimentos foram construídos: a comparação entre uma lista de recomendações com Tag Strings, e a comparação entre o design de referência (baseado nos serviços Last.fm e Pandora) e Tag Strings. A construção desses dois experimentos permitiu a avaliação de Tag Strings como uma forma de explicação para recomendações de música. Os resultados dos experimentos evidenciam que a nova forma de visualização Tag Strings favorece as metas de inspeção (scrutability), eficiência, eficácia e satisfação, melhorando a usabilidade e experiência de usuários com recomendações de música. / Digital media collections, both personal and online, grow rapidly. To make large music collections available to users, popular services such as iTunes, Last.fm and Pandora offer recommendations. This approach frees users from searching for music, and allows for the discovery of new or forgotten items. But recommendations present issues such as user trust and lack of control. The motivation for this project is to improve user experience with music recommendations through explanations. While using a recommendation system, user acceptance and satisfaction depends not only on the algorithm effectiveness, but also on explanations. Research shows that recommendations benefit from explanations, increasing user trust and satisfaction by offering more transparency and scrutability. The goal of this project is to design and develop a new form of tag visualization, and test its feasibility to explain and filter music recommendations. We specifically investigate if the visualization can support the aims of scrutability, efficiency, effectiveness and satisfaction. Based on the user research and needs for music recommendation, the visualization Tag Strings was designed and developed. Tag Strings includes both the visualization interface and the process of collecting and calculation of tag and track relevancy. To evaluate the visualization Tag String, we designed two types of experiments: comparing Tag Strings with a recommendation list, and comparing Tag Strings with a design reference (based on the services Last.fm and Pandora). The design of these two experiments allowed the evaluation of Tag Strings as a form of explanation to music recommendation. The experiment results highlight that the new visualization Tag Strings favors the aims of scrutability, efficiency, effectiveness and satisfaction, improving the user experience with music recommendations.

A oferta de produtos,informação e serviços a partir de perfis de usuários tem tornado os sistemas de recomendação cada vez mais presentes na Web, aumentando a facilidade de escolha e de permanência dos usuários nestes sistemas. Entretanto, existem otimizações a serem feitas principalmente com relação à modelagem do perfil do usuário. Geralmente, suas preferências são modeladas de modo superficial, devido à escassez das informações coletadas,como notas ou comentários, ou devido a informações indutivas que estão suscetíveis a erros. Esta dissertação propõe uma ferramenta de recomendação baseado em interações multimodais, capaz de combinar informações de usuários processadas individualmente por algoritmos de recomendação tradicionais. Nesta ferramenta desenvolveram-se quatro técnicas de combinação afim fornecer aos sistemas de recomendação, subsídios para melhoria na qualidade das predições em diversos domínios. / Providing products, information and services from user profiles has made the recommendation systems to be increasingly present, increasing the ease of selection and retention of users in Webservices. However, there are optimizations to be made in these systems mainly with respect to modeling the user profile. Generally, the preferences are modeled superficially, due to the scarcity of information collected, as notes or comments, or because of inductive information that is susceptible to errors. This work proposes are commendation tool based on multimodal interactions that combines users\' interactions, wich are processed individually by traditional recommendation algorithms. In this tool developed four combination of techniques in order to provide recommendation systems subsidies to improve the quality of predictions.

Recommender Systems (RS) support users to find relevant content, such as movies, books, songs, and other products based on their preferences. Such preferences are gathered by analyzing past users interactions, however, data collected for this purpose are typically prone to sparsity and high dimensionality. Clustering-based techniques have been proposed to handle these problems effectively and efficiently by segmenting the data into a number of similar groups based on predefined characteristics. Although these techniques have gained increasing attention in the recommender systems community, they are usually bound to a particular recommender system and/or require critical parameters, such as the number of clusters. In this work, we present three variants of a general-purpose method to optimally extract users groups from a hierarchical clustering algorithm specifically targeting RS problems. The proposed extraction methods do not require critical parameters and can be applied prior to any recommendation system. Our experiments have shown promising recommendation results in the context of nine well-known public datasets from different domains. / Sistemas de Recomendação auxiliam usuários a encontrar conteúdo relevante, como filmes, livros, músicas entre outros produtos baseando-se em suas preferências. Tais preferências são obtidas ao analisar interações passadas dos usuários, no entanto, dados coletados com esse propósito tendem a tipicamente possuir alta dimensionalidade e esparsidade. Técnicas baseadas em agrupamento de dados têm sido propostas para lidar com esses problemas de foma eficiente e eficaz ao dividir os dados em grupos similares baseando-se em características pré-definidas. Ainda que essas técnicas tenham recebido atenção crescente na comunidade de sistemas de recomendação, tais técnicas são usualmente atreladas a um algoritmo de recomendação específico e/ou requerem parâmetros críticos, como número de grupos. Neste trabalho, apresentamos três variantes de um método de propósitvo geral de extração ótima de grupos em uma hierarquia, atacando especificamente problemas em Sistemas de Recomendação. Os métodos de extração propostos não requerem parâmetros críticos e podem ser aplicados antes de qualquer sistema de recomendação. Os experimentos mostraram resultados promissores no contexto de nove bases de dados públicas conhecidas em diferentes domínios.

A presente tese versa sobre a construção de um Sistema de Recomendação (SR), denominado RecETC (Recomendador do ETC), para auxiliar no processo de Escrita Coletiva Digital (ECD) no Editor de Texto Coletivo (ETC). O RecETC tem como propósito a recomendação de materiais nos formatos de texto, imagens e vídeos, acerca do assunto que está sendo tratado na produção textual coletiva. Para a sua construção, utilizou-se da metodologia de estudo de caso através da abordagem qualitativa e quantitativa. Para isso, esta pesquisa foi desenvolvida em seis etapas, a saber: 1) Estudo teórico sobre as temáticas de Sistemas de Recomendação e Escrita Coletiva Digital, visando aprofundar o conhecimento nas respectivas áreas e identificar trabalhos correlatos. 2) Construção de Objetos de Aprendizagem produzidos como material de apoio para os cursos de extensão. 3) Desenvolvimento da primeira versão do RecETC. 4) Aplicação da primeira versão através de um curso piloto. 5) Desenvolvimento da segunda versão do RecETC 6) Aplicação da segunda versão em curso de extensão. Os dados foram coletados por meio de questionários e analisados tendo como base a metodologia de Análise de Conteúdo, o que possibilitou a definição de três categorias: Categoria I - O ETC como ambiente de Escrita Coletiva Digital, Categoria II - Requisitos técnicos do RecETC e Categoria III - Requisitos pedagógicos do RecETC. A partir do estudo do referencial teórico, do desenvolvimento e da análise das aplicações do RecETC por meio das categorias definidas, foi possível mapear os requisitos necessários para a sua construção e responder ao problema de pesquisa. Esses foram classificados em técnicos e/ou pedagógicos visando enfatizar os aspectos de funcionamento e as contribuições educacionais do RecETC para a ECD. Além disso, foi elaborado um plano de ação para auxiliar professores e alunos na ECD com o apoio do RecETC. Por fim, os resultados indicam que o desenvolvimento do RecETC atende ao propósito desse estudo e os requisitos identificados podem servir de referência para a construção de outros SR voltados para a ECD. / The present thesis deals with the construction of a Recommendation System (SR), called RecETC (ETC Recommender), to assist in the Digital Collective Writing (ECD) process in the Collective Text Editor (ETC). RecETC purpose is to recommend materials in text, image and video formats about the subject being treated in collective textual production. For its construction, it was used the methodology of case study through the qualitative and quantitative approach. For this, this research was developed in six stages, namely: 1) Theoretical study on the topics of Recommendation Systems and Digital Collective Writing, aiming to deepen the knowledge in the respective areas and to identify related works. 2) Construction of Learning Objects produced as support material for extension courses. 3) Development of the first version of RecETC. 4) Application of the first version through a pilot course. 5) Development of the second version of RecETC 6) Application of the second version in the course of extension. The data were collected through questionnaires and analyzed based on the Content Analysis methodology, which enabled the definition of three categories: Category I - ETC as a Digital Collective Writing environment, Category II - Technical requirements of RecETC and Category III - Pedagogical requirements of RecETC. From the study of the theoretical reference, development and analysis of RecETC applications through the defined categories, it was possible to map the necessary requirements for its construction and to respond to the research problem. These were classified as technical and / or pedagogical in order to emphasize the functional aspects and educational contributions of RecETC to ECD. In addition, a plan of action was developed to assist teachers and students in ECD with the support of RecETC. Finally, the results indicate that the development of RecETC fulfills the purpose of this study and the requirements identified can serve as a reference for the construction of other SRs focused on ECD.

A busca de informações em bases de dados de instituições que possuem grande volume de dados necessita cada vez mais de processos mais eficientes para realização dessa tarefa. Problemas de grafia, idioma, sinonímia, abreviação de termos e a falta de padronização dos termos, tanto nos argumentos de busca, quanto na indexação dos documentos, interferem diretamente nos resultados. Diante disso, este estudo teve como objetivo avaliar o impacto da adição de vocabulários estruturados da área de Ciências da Saúde no Currículo Lattes, na recuperação de perfis similares de pesquisadores das áreas de Ciências Biológicas e Ciências da Saúde, utilizando técnicas de mineração de dados, expansão de consultas, modelos vetoriais de consultas e utilização de algoritmo de trigramas. Foram realizados cruzamentos de informações entre as palavras-chaves de artigos publicados registrados no Currículo Lattes e as informações contidas no Medical Subject Headings (MeSH) e nos Descritores em Ciências da Saúde (DeCS), bem como comparações entre os resultados das consultas, utilizando as palavras-chaves originais e adicionando-lhes os termos resultantes do processo de expansão de consultas. Os resultados mostram que a metodologia adotada neste estudo pode incrementar qualitativamente o universo de perfis recuperados, podendo dessa forma contribuir para a melhoria dos Sistemas de Informações do Conselho Nacional de Desenvolvimento Científico e Tecnológico - CNPq. / Information retrieval in large databases need increasingly more efficient ways for accomplishing this task. There are many problems, like spelling, language, synonym, acronyms, lack of standardization of terms, both in the search arguments, as in the indexing of documents. They directly interfere in the results. Thus, this study aimed to evaluate the impact of the addition of structured vocabularies of Health Sciences area in Lattes Database, in the recovery of similar profiles of researchers that work in Biological Sciences and Health Sciences, using Query Expansion, Data Mining procedures, Vector Models and Trigram Phrase Matching algorithm. Crosschecking keywords of articles registered in Lattes Database and Medical Subject Headings (MeSH) and Health Sciences Descriptors (DeCS) terms, as well as comparisons between the results of queries using the original keywords and adding them to query expansion terms. The results show that the methodology used in this study can qualitatively increase the set of recovered profiles, contributing to the improvement of CNPq Information Systems.