Spelling suggestions: "subject:"deste A/B"" "subject:"neste A/B""
1 |
Learning to rank para busca em Comércio EletrônicoFonseca, Roberto Cidade, (095)991366353 28 August 2018 (has links)
Submitted by Roberto Fonseca (rcf2@icomp.ufam.edu.br) on 2018-11-18T00:36:14Z
No. of bitstreams: 2
rcidadef-final-dissertacao-mestrado.pdf: 998750 bytes, checksum: 1738deb5326e881be7192f444ccedb86 (MD5)
315 ATA de Defesa - Roberto Cidade (Assinada).pdf: 531920 bytes, checksum: 51157459356b7ee8be9be278b4579378 (MD5) / Approved for entry into archive by Secretaria PPGI (secretariappgi@icomp.ufam.edu.br) on 2018-11-19T17:31:42Z (GMT) No. of bitstreams: 2
rcidadef-final-dissertacao-mestrado.pdf: 998750 bytes, checksum: 1738deb5326e881be7192f444ccedb86 (MD5)
315 ATA de Defesa - Roberto Cidade (Assinada).pdf: 531920 bytes, checksum: 51157459356b7ee8be9be278b4579378 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-11-19T19:46:24Z (GMT) No. of bitstreams: 2
rcidadef-final-dissertacao-mestrado.pdf: 998750 bytes, checksum: 1738deb5326e881be7192f444ccedb86 (MD5)
315 ATA de Defesa - Roberto Cidade (Assinada).pdf: 531920 bytes, checksum: 51157459356b7ee8be9be278b4579378 (MD5) / Made available in DSpace on 2018-11-19T19:46:24Z (GMT). No. of bitstreams: 2
rcidadef-final-dissertacao-mestrado.pdf: 998750 bytes, checksum: 1738deb5326e881be7192f444ccedb86 (MD5)
315 ATA de Defesa - Roberto Cidade (Assinada).pdf: 531920 bytes, checksum: 51157459356b7ee8be9be278b4579378 (MD5)
Previous issue date: 2018-08-28 / Machine learning (ML) based ranking functions generating methods have been broadly
used on web search systems, such as the utilized by Google and Bing. Nonetheless, such
methods have not been employed or studied in other contexts. It is the case, to cite
an example, of electronic commerce (e-commerce), on which the user interaction with
virtual stores produces data as: when an user landed on a page for the first time, queries
submitted, products clicked and what she bought. In this work, we propose to leverage
ML to learn ranking functions for the e-commerce context. We studied alternatives to
estimate the relevance of a result for a given query and deployed experiments using data
mined from e-commerce shops. We ran experiments in setups we denominated offline,
where a dataset was created the traditional way by separating it in three subsets of
training, validation and test, as well as in setups we denominated online, where distinct
versions of the system were deployed to shops facing users in a real purchase situation.
We present in the study our conclusions regarding the performed experiments. / Métodos que geram funções de ordenação de resultados baseadas em aprendizagem de
máquina têm sido amplamente utilizados em sistemas de busca para a web, como as
utilizadas em motores de busca como o Google e Bing. No entanto, esses recursos não
têm sido muito empregados ou estudados em outros contextos. É o caso, por exemplo,
do comércio eletrônico, no qual, a interação de usuários com lojas virtuais produz
dados como: quando um usuário acessou a página de uma loja pela primeira vez, que
consultas realizou, quais produtos clicou, e o que comprou. Neste trabalho, propomos a
utilização de métodos de aprendizagem de máquina para aprender funções de ordenação
de resultados no contexto de comércio eletrônico. Estudamos formas alternativas de
estimar a relevância de um resultado para uma dada consulta e realizamos experimentos
utilizando dados extraídos de lojas de comércio eletrônico. Realizamos experimentos
tanto com ambientes que denominamos offline, onde uma base de dados é montada com
a abordagem tradicional de separa-la em treino, validação e teste, quanto em ambientes
que denominamos online, onde pusemos versões distintas dos sistemas para funcionar
em lojas com usuários em situações reais de compra. Apresentamos no estudo nossas
conclusões a respeito dos experimentos realizados. / Formulário longo, com várias fases e páginas.
|
Page generated in 0.0284 seconds