Submitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2014-12-18T18:42:03Z No. of bitstreams: 2 Dissertacao - Edjalma Queiroz da Silva - 2014.pdf: 3244366 bytes, checksum: 7c2506e59c6f1ebdc4608a6ff2ac207d (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2014-12-22T11:15:25Z (GMT) No. of bitstreams: 2 Dissertacao - Edjalma Queiroz da Silva - 2014.pdf: 3244366 bytes, checksum: 7c2506e59c6f1ebdc4608a6ff2ac207d (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2014-12-22T11:15:25Z (GMT). No. of bitstreams: 2 Dissertacao - Edjalma Queiroz da Silva - 2014.pdf: 3244366 bytes, checksum: 7c2506e59c6f1ebdc4608a6ff2ac207d (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Previous issue date: 2014-08-20 / Recommendation systems function as a guide, helping users to discover products of interest. There are various techniques and approaches in the literature that enable the generationofrecommendations.Thisisinterestingbecauseitemphasizesthediversityof options;ontheotherhand,itcancausedoubtthesystemdesigneraboutwhichisthebest techniquetouse.Eachoftheseapproacheshasparticularitiesanddependsonthecontext to be applied. Therefore, the decision to choose between the techniques is complex to be done manually. This work proposes an evolutionary approach for combining results of recommendation techniques (Invenire) in order to automate the choice of techniques and get fewer errors in recommendations. To evaluate the proposal, experiments were performed with a dataset from MovieLens and some Collaborative Filtering techniques. The results show that the combining methodology proposed in this paper performs better than any one collaborative filtering technique separately in the context addressed. The improvement varies from 3,6% to 118,99% depending on the technique and the experiment executed. / Sistemas de Recomendação funcionam como um conselheiro, comportando-se de tal formaaorientaraspessoasnadescobertadeprodutosdeinteresse.Existemváriastécnicas eabordagensnaliteraturaquepermitemgerarrecomendações.Issoéinteressanteporque enfatiza a diversidade de opções; por outro lado, pode causar dúvida para o projetista do sistema sobre qual é a melhor técnica para usar. Cada uma destas abordagens tem particularidades e dependem do contexto para serem aplicadas. Assim, a decisão de escolher entre técnicas se torna complexa para ser feita manualmente. Este trabalho propõe uma abordagem evolutiva para automatizar a busca pela melhor combinação de resultados de técnicas de Sistemas de Recomendação e produzir menos erros nas recomendações.Paraavaliaraproposta,foramrealizadosexperimentoscomumconjunto de dados daMovieLens e algumas das técnicas de Filtragem Colaborativa. Os resultados mostramqueametodologiadecombinação,propostanestetrabalho,temumdesempenho melhor do que qualquer uma das técnicas isoladas de filtragem colaborativa no contexto abordado.A melhora varia de3,6%a 118,99%dependendo da técnica e do experimento executado.

Conselho Nacional de Desenvolvimento CientÃfico e TecnolÃgico / A descoberta de correspondÃncias semÃnticas entre esquemas à uma importante tarefa para diversos domÃnios de aplicaÃÃes, tais como integraÃÃo de dados, data warehouse e mashup de dados. Na maioria dos casos, as fontes de dados envolvidas sÃo heterogÃneas e dinÃmicas, dificultando ainda mais a realizaÃÃo dessa tarefa. Ontologias vÃm sendo utilizadas no intuito de definir vocabulÃrios comuns usados para descrever os elementos dos esquemas envolvidos em uma determinada aplicaÃÃo. O problema de matching entre ontologias, ou ontology matching, consiste na descoberta de correspondÃncias entre os termos dos vocabulÃrios (representados por ontologias) usados entre as diversas aplicaÃÃes. As soluÃÃes propostas na literatura, apesar de serem totalmente automÃticas possuem natureza heurÃstica, podendo produzir resultados nÃo-satisfatÃrios. O problema se intensifica quando se lida com grandes fontes de dados. O objetivo deste trabalho à propor um mÃtodo para geraÃÃo e refinamento incremental de correspondÃncias entre ontologias. A abordagem proposta faz uso de tÃcnicas de filtragem de ontologias, bem como do feedback do usuÃrio para dar suporte à geraÃÃo e ao refinamento dessas correspondÃncias. Para fins de validaÃÃo, uma ferramenta foi desenvolvida e experimentos foram realizados. / The discovery of semantic correspondences between schemas is an important task for different fields of applications such as data integration, data warehousing and data mashup. In most cases, the data sources involved are heterogeneous and dynamic, making it even harder the performance of that task. Ontologies are being used in order to define common vocabulary used to describe the elements of the schemas involved in a particular application. The problem of matching between ontologies, or ontology matching, consists in the discovery of correspondences between terms of vocabularies (represented by ontologies) used between the various applications. The solutions proposed in the literature, despite being fully automatic have heuristic nature, and may produce non-satisfactory results. The problem intensifies when dealing with large data sources. The purpose of this paper is to propose a method for generation and incremental refinement of correspondences between ontologies. The proposed approach makes use of filtering techniques of ontologies, as well as user feedback to support the generation and refining these matches. For validation purposes, a tool was developed and experiments were conducted

Made available in DSpace on 2016-08-17T16:54:33Z (GMT). No. of bitstreams: 1 Tese Cristiane Cristina.pdf: 4404224 bytes, checksum: a68e5757bedc2d3d341a5937f100fe1f (MD5) Previous issue date: 2013-07-19 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / In adaptive filtering many adaptive filter are based on the mean square error method (MSE). These filters were developed to improve convergence spedd with a lower misadjustment. The least mean square (LMS) and the recursive least square (RLS) algorithms have been the hallmark of adaptive filtering. In this work we develop adaptive algorithms based on the even powers of the error inspired in the recursive lest square (RLS) algorithm. Namely recursive nom quadratic (RNQ) algorithm. The ideas is based on Widrow s least mean square fourth (LMF) algorithm. Fisrt we derive equations based on a singal even power of the error in order to obtain criterions that guarantee convergence. We also determine equations that measure the misadjustment and the time constant of the adaptive process of the RNQ algorithm. We work also, toward making the algorithm less sensitive to the size of the error in na alternative direction, by proposing a cost function which is a sum of the even powers of the error. This second approach bring the error explicitly to the RLS algorithm formulation by proposing a new cost function that preserves the measnsquare-error (MSE) solution, but allows for the exploitation of higher order moments of the error to speedup the converge of the algorithm. The main goal this work is to create form first principles (new cost functions ) a mechanism to include instantaneous error information in the RLS algorithm, make it track better, and allow for the design of the forgetting factor. As we will see the key aspecto of our approach is to include the error in the Kalman gain that effectively controls the speed of adaptation of the RLS algorithm. / Em filtragem adaptativa, vários filtros são baseados no método do erro quadrático médio (do inglês, MSE- mean squared error ) e muitos desses foram desenvolvidos para obter uma convergência rápida com um menos desajuste. Os algoritmos mínimos quadrático médio (do inglês, LMS- least mean square ) e mínimos quadrados recursivos (do inglês, RLS- recursive least square ) foram um marco em filtragem adaptativa. Nesse trabalho apresentamos o desenvolvimento de uma família de algoritmos adaptativos baseados nas potências pares do erro, inspirado na dedução do algoritmo RLS padrão. Chamaremos esses novos algoritmos de recursivo não-quadrático (RNQ). A ideia básica é baseada na função de custo apresentada por Widrow no algoritmo mínimo quarto médio ( do inglês, LMF least mean square fourth). Inicialmente derivamos equações baseados em uma potência par do erro para obter critérios que garantam a convergência. Determinamos também, equações que definem o desajuste e o tempo de aprendizagem do processo de adaptação do algoritmo RNQ baseado em potência para arbitrária. Trabalhamos também, no sentido de tornar o algoritmo menos sensível ao tamanho do erro numa direção alternativa, propondo uma função de custo baseado na soma das potências pares do erro. Essa segunda abordagem torna explícito o papel do erro na formulação do RLS ao propor uma nova função de custo que preserve a solução MSE, mas permite a utilização dos momentos de alta ordem do erro para aumentar a velocidade de convergência do algoritmo. O principal objetivo do nosso trabalho é criar a partir dos primeiros princípios (novas funções de custo) um mecanismo para incluir informações de erro instantâneo no algoritmo RLS e torná-lo um seguidor melhor. Assim, o aspecto-chave dessa nova abordagem é incluir o erro no ganho de Kalman que controla efetivamente a velocidade de adaptação do algoritmo de RLS.

Orientador: José Antenor Pomilio / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-25T18:11:11Z (GMT). No. of bitstreams: 1 Guerreiro_JoelFilipe_M.pdf: 10178060 bytes, checksum: 342fb378bb2d1fd88084a0360e541d24 (MD5) Previous issue date: 2014 / Resumo: Filtros Ativos de Potência Aeronáuticos (FAPA) são geralmente utilizados para melhoria da Qualidade da Energia em Sistemas Elétricos de Potência Aeronáuticos (SEPA). Os FAPA compensam os harmônicos de corrente, aumentam o fator de potência e minimizam os efeitos de cargas desbalanceadas. Este trabalho apresenta o desenvolvimento, simulação e implementação de um FAPA pra um SEPA avançado de velocidade e frequência variável. O SEPA é muito diferente dos sistemas elétricos residenciais e industriais, nesses sistemas a frequência pode variar de 360 Hz a 800 Hz, além do mais a carga se reconfigura repetidamente. Deste modo, uma estratégia avançada de filtragem ativa é necessária para SEPAs, O FAPA proposto neste trabalho é composto por um inversor multinível do tipo cascata assimétrica, o algoritmo de controle é implementado utilizando a teoria da potência conservativa e a sincronia do FAPA com o SIPA é realizada por meio de um algoritmo PLL com filtro de Kalman. Um protótipo trifásico é implementado para validar ambos o FAPA e as simulações / Abstract: Aircraft Active Power Filters (AAPFs) are most commonly used to improve energy quality in Aircraft Electrical Power Systems (AEPS by means of mitigating current harmonics, improving the source power factor and minimizing the effects of unbalanced loads. This work presents the design, simulation and implementation of a Multilevel AAPF for a Variable Speed Variable Frequency (VSVF) advanced aircraft electric power system. The AEPS is very different than the residential and industrial power systems, in these systems, the frequency may vary between 360 Hz and 800 Hz, and the load dynamics is often modified. For aircraft purposes an enhanced filtering technique is required. The proposed AAPF topology is composed by an Asymmetrical Multilevel Inverter (AMI), controlled by the Conservative Power Theory (CPT) and synchronized by a Kalman Filter Phase-Locked Loop (KF-PLL). A three phase AAPF prototype was implemented in order to investigate the proper system operation and accurateness to the simulations / Mestrado / Energia Eletrica / Mestre em Engenharia Elétrica

Orientadores: Ricardo da Silva Torres, Anderson de Rezende Rocha / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-25T19:48:27Z (GMT). No. of bitstreams: 1 Werneck_RafaeldeOliveira_M.pdf: 2395829 bytes, checksum: 8f190aeb6dbafb841d0c03f7d7099041 (MD5) Previous issue date: 2014 / Resumo: Devido ao grande crescimento do uso de tecnologias para a aquisição de dados, temos que lidar com grandes e complexos conjuntos de dados a fim de extrair conhecimento que possa auxiliar o processo de tomada de decisão em diversos domínios de aplicação. Uma solução típica para abordar esta questão se baseia na utilização de métodos de aprendizado de máquina, que são métodos computacionais que extraem conhecimento útil a partir de experiências para melhorar o desempenho de aplicações-alvo. Existem diversas bibliotecas e arcabouços na literatura que oferecem apoio à execução de experimentos de aprendizado de máquina, no entanto, alguns não são flexíveis o suficiente para poderem ser estendidos com novos métodos, além de não oferecerem mecanismos que permitam o reuso de soluções de sucesso concebidos em experimentos anteriores na ferramenta. Neste trabalho, propomos um arcabouço para automatizar experimentos de aprendizado de máquina, oferecendo um ambiente padronizado baseado em workflow, tornando mais fácil a tarefa de avaliar diferentes descritores de características, classificadores e abordagens de fusão em uma ampla gama de tarefas. Também propomos o uso de medidas de similaridade e métodos de learning-to-rank em um cenário de recomendação, para que usuários possam ter acesso a soluções alternativas envolvendo experimentos de aprendizado de máquina. Nós realizamos experimentos com quatro medidas de similaridade (Jaccard, Sorensen, Jaro-Winkler e baseada em TF-IDF) e um método de learning-to-rank (LRAR) na tarefa de recomendar workflows modelados como uma sequência de atividades. Os resultados dos experimentos mostram que a medida Jaro-Winkler obteve o melhor desempenho, com resultados comparáveis aos observados para o método LRAR. Em ambos os casos, as recomendações realizadas são promissoras, e podem ajudar usuários reais em diferentes tarefas de aprendizado de máquina / Abstract: Due to the large growth of the use of technologies for data acquisition, we have to handle large and complex data sets in order to extract knowledge that can support the decision-making process in several domains. A typical solution for addressing this issue relies on the use of machine learning methods, which are computational methods that extract useful knowledge from experience to improve performance of target applications. There are several libraries and frameworks in the literature that support the execution of machine learning experiments. However, some of them are not flexible enough for being extended with novel methods and they do not support reusing of successful solutions devised in previous experiments made in the framework. In this work, we propose a framework for automating machine learning experiments that provides a workflow-based standardized environment and makes it easy to evaluate different feature descriptors, classifiers, and fusion approaches in a wide range of tasks. We also propose the use of similarity measures and learning-to-rank methods in a recommendation scenario, in which users may have access to alternative machine learning experiments. We performed experiments with four similarity measures (Jaccard, Sorensen, Jaro-Winkler, and a TF-IDF-based measure) and one learning-to-rank method (LRAR) in the task of recommending workflows modeled as a sequence of activities. Experimental results show that Jaro-Winkler yields the highest effectiveness performance with comparable results to those observed for LRAR. In both cases, the recommendations performed are very promising and might help real-world users in different daily machine learning tasks / Mestrado / Ciência da Computação / Mestre em Ciência da Computação

[pt] O surgimento da World Wide Web representou uma nova oportunidade de publicidade, disponível para qualquer empresa: A possibilidade de exposição global para uma grande audiência a um custo extremamente pequeno. Como conseqüência disso, surgiu toda uma nova indústria oferecendo serviços relacionados à publicidade de busca, na qual uma empresa anunciante paga por uma posição de destaque em listas de anúncios. A fim de manter a credibilidade e a participação de mercado do serviço que os veicula - por exemplo, uma máquina de busca - os anúncios devem ser exibidos apenas para os usuários que se interessem por eles, no que se chama de Publicidade Direcionada. Em virtude disso, surge a necessidade de se utilizar um sistema de recomendação que seja capaz de escolher que anúncios exibir para quais usuários. Nos sistemas de recomendação baseados em filtragem colaborativa, as preferências de outros usuários são utilizadas como atributos para um sistema de aprendizado, pois estas podem ser bastante detalhadas, gerando recomendações não só para os itens mais populares como também para nichos de itens. Neste trabalho, é desenvolvido um sistema de recomendação de anúncios que aplica Filtragem Colaborativa baseada em fatoração de matrizes ao problema de predição do Click- Through Rate, uma métrica em Publicidade Direcionada que expressa a relevância de um anúncio para os usuários que buscam por uma determinada palavra- chave. A fim de validar o método proposto de predição do Click-Through Rate, realizamos vários experimentos em um conjunto de dados sintéticos. Adicionalmente, o trabalho contribui para o projeto do LearnAds, um framework de recomendação de anúncios baseado em Aprendizado de Máquina. / [en] The emergence of the World Wide Web represented a new advertising opportunity available to any company: The possibility of global exposure to a large audience at a very small cost. As a result, a whole new industry has emerged by offering services related to search advertising, in which an advertiser pays for a prominent position in lists of ads. In order to maintain the credibility and market share of the service that conveys them - for example, a search engine - such ads must be displayed only to users who are interested in them, on what is called Targeted Advertising. Therefore, those services need to use a recommendation system that can choose which ads show to which users. Recommendation systems based on collaborative filtering use the preferences of other users as features to a learning system, since such preferences can be quite detailed, generating recommendations not only for the most popular items but also to item niches. In this work, we develop an ads recommendation system that applies Collaborative Filtering based on matrix factorization to the problem of predicting the Click-Through Rate, a Targeted Advertising metric that expresses the relevance of a particular ad for the users searching for a specific keyword. In order to validate the proposed method of Click-Through Rate prediction, we carry out several experiments on a synthetic data set. Additionally, the work contributes to the design of LearnAds, a framework for ads recommendation systems based on Machine Learning.

[pt] Com a quantidade de informação e sua disponibilidade facilitada pelo uso da Internet, diversas opções são oferecidas às pessoas e estas, normalmente, possuem pouca ou quase nenhuma experiência para decidir dentre as alternativas existentes. Neste âmbito, os Sistemas de Recomendação surgem para organizar e recomendar automaticamente, através de Aprendizado de Máquina, itens interessantes aos usuários. Um dos grandes desafios deste tipo de sistema é realizar o casamento correto entre o que está sendo recomendado e aqueles que estão recebendo a recomendação. Este trabalho aborda um Sistema de Recomendação baseado em Filtragem Colaborativa, técnica cuja essência está na troca de experiências entre usuários com interesses comuns. Na Filtragem Colaborativa, os usuários pontuam cada item experimentado de forma a indicar sua relevância, permitindo que outros do mesmo grupo se beneficiem destas pontuações. Nosso objetivo é utilizar um algoritmo de Boosting para otimizar a performance dos Sistemas de Recomendação. Para isto, utilizamos uma base de dados de anúncios com fins de validação e uma base de dados de filmes com fins de teste. Após adaptações nas estratégias convencionais de Boosting, alcançamos melhorias de até 3% sobre a performance do algoritmo original. / [en] With the amount of information and its easy availability on the Internet, many options are offered to the people and they, normally, have little or almost no experience to decide between the existing alternatives. In this scene, the Recommendation Systems appear to organize and recommend automatically, through Machine Learning, the interesting items. One of the great recommendation challenges is to match correctly what is being recommended and who are receiving the recommendation. This work presents a Recommendation System based on Collaborative Filtering, technique whose essence is the exchange of experiences between users with common interests. In Collaborative Filtering, users rate each experimented item indicating its relevance allowing the use of ratings by other users of the same group. Our objective is to implement a Boosting algorithm in order to optimize a Recommendation System performance. For this, we use a database of advertisements with validation purposes and a database of movies with testing purposes. After adaptations in the conventional Boosting strategies, improvements of 3% were reached over the original algorithm.

[pt] Sistemas de recomendação aparecem em diversos domínios do mundo real. Vários modelos foram propostos para o problema de predição de entradas faltantes em um conjunto de dados. Duas das abordagens mais comuns são filtragem colaborativa baseada em similaridade e modelos de fatores latentes. Uma alternativa, mais recente, foi proposta por Salakhutdinov em 2007, usando máquinas de Boltzmann restritas, ou RBMs. Esse modelo se encaixa na família de modelos de fatores latentes, no qual, modelamos fatores latentes dos dados usando unidades binárias na camada escondida das RBMs. Esses modelos se mostraram capazes de aproximar resultados obtidos com modelos de fatoração de matrizes. Nesse trabalho vamos revisitar esse modelo e detalhar cuidadosamente como modelar e treinar RBMs para o problema de predição de entradas vazias em dados tabulares. / [en] Recommender systems can be used in many problems in the real world. Many models were proposed to solve the problem of predicting missing entries in a specific dataset. Two of the most common approaches are neighborhood-based collaborative filtering and latent factor models. A more recent alternative was proposed on 2007 by Salakhutdinov, using Restricted Boltzmann Machines. This models belongs to the family of latent factor models, in which, we model latent factors over the data using hidden binary units. RBMs have shown that they can approximate solutions trained with a traditional matrix factorization model. In this work we ll revisit this proposed model and carefully detail how to model and train RBMs for the problem of missing ratings prediction.

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-07-12T13:47:04Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) risethesis.pdf: 1393384 bytes, checksum: f5f2fb9182ce60a9c5d2b0cd95f2893a (MD5) / Made available in DSpace on 2017-07-12T13:47:04Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) risethesis.pdf: 1393384 bytes, checksum: f5f2fb9182ce60a9c5d2b0cd95f2893a (MD5) Previous issue date: 2016-06-29 / Em meio a grande sobrecarga de dados disponíveis na internet, sistemas de recomendação tornam-se ferramentas indispensáveis para auxiliar usuários no encontro de itens ou conteúdos relevantes. Diversas técnicas de recomendação são aplicadas em diversos tipos de domínios diferentes. Seja na recomendação de filmes, música, amigos, lugares ou notícias, sistemas de recomendação exploram diversas informações disponíveis para aprender as preferências dos usuários e promover recomendações úteis. Uma das estratégias mais utilizadas é a de filtragem colaborativa. A qualidade dessa estratégia depende da quantidade de avaliações disponíveis e da qualidade do algoritmo utilizado para predição de avaliação. Estudos recentes demonstram que informações provenientes de redes sociais podem ser muito úteis para aumentar a precisão das recomendações. Assim como acontece no mundo real, no mundo virtual usuários buscam recomendações e conselhos de amigos antes de comprar um item ou consumir algum serviço, informações desse tipo podem ser úteis para definição do contexto social da recomendação. Além do social, informações físicas e temporais passaram a ser utilizadas para definição do contexto físico de cada recomendação. A companhia, a localização e as condições climáticas são bons exemplos de elementos físicos que levam um usuário a preferir certos itens. Um processo de recomendação que não leve em consideração elementos contextuais pode fazer com que o usuário tenha uma péssima experiência consumindo determina do item recomendado equivocadamente. Esta dissertação tem como objetivo investigar técnicas de filtragem colaborativa que utilizam contexto a fim de realizar recomendações que auxiliem usuários no encontro de itens relevantes. Nesse tipo de técnica, um sistema de recomendação base é utilizando para fornecer recomendações para o usuário alvo. Em seguida, são filtrados apenas os itens considerados relevantes para contextos previamente identificados nas preferências do usuário alvo. As técnicas implementadas foram aplicadas em dois experimentos com duas bases de dados de domínios diferentes: uma base composta por eventos e outra por filmes. Na recomendação de eventos, investigamos o uso de contextos físicos (i.e., tempo e local) e de contextos sociais (i.e., amigos na rede social) associados aos itens sugeridos aos usuários. Na recomendação de filmes, por sua vez, investigamos novamente o uso de contexto social. A partir da aplicação de pós-filtragem em três algoritmos de filtragem colaborativa usados como base, foi possível recomendar itens de forma mais precisa, como demonstrado nos experimentos realizados. / The overload of data available on the internet makes recommendation systems become indispensable tools to assist users in meeting items or relevant content. Several recommendation techniques were has been userd in many different types of domains. Those systems can recommend movies, music, friends, places or news; recommender systems can exploit different information available to learn preferences of users and promote more useful recommendations. The collaborative filtering strategy is one of the most used. The quality of this technique depends on the number of available ratings and the algorithm used to predict. Recent studies show that information from social networks can be very useful to increase the accuracy recommendations. Just as in the real world, the virtual world users ask recommendations and advice from friends before buying an item or consume a service. Furthermore, the context of each rating may be crucial for the definition of new ratings. Location, date time and weather conditions are good examples of useful elements to define what should be the best items to recommend for some user. A recommendation process that does not respect those elements can provide a user a bad experience. This dissertation investigates collaborative filtering techniques based on context, and more specifically techniques based on post-filtering. First, a recommendation system was used to provide recommendations for a specific user. Then, only relevant items according to context preferences for the target user will be recommended. The techniques implemented was applied in two case studies with two different domains databases: one base composed of events and another of movies. In the event of recommendation, we investigated the use of physical contexts (i.e., time and place) and social contexts (i.e., friends in the social network) associated with items suggested to users. On the recommendation of movies, in turn, again we investigated the use of social context. From the application of post-filtering in three collaborative filtering algorithms used as a baseline, it was possible to recommend items more accurately, as demonstrated in the experiments.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Adaptive filtering is applied as solution for many problems in engineer. There are many techniques to improve adaptive filtering as kernel methods and, in addiction, it is used a pretuned dictionary. In this context, here is presented the KSIG algorithm, the kernel version of Sigmoide, where is used the kernel, to decrease the error, and the non-linear and even cost function to increase the convergence speed. Here it is described also, the KSIG with a pretuned dictionary, to reduce the size of the data set used to calculate the filter output, which is a kernel method consequence . The KSIG and KSIG with pre-tuned dictionary theoretical efficiency is one result of their convergence proof, which evidence that the algorithms converge in average. The learning curves, which are results of some experiments, show that when KSIG and KLMS algorithms are compared, the first converges faster, in less iterations, than the second, in the version with and without pre-tuned dictionary of both algorithms. / A filtragem adaptativa é aplicada na solução de diversos problemas da engenharia. Há muitas alternativas para melhorá-la, uma delas é o uso de kernel e, em adição, o uso de um dicionário pré-definido de dados. Neste contexto, este trabalho apresenta o KSIG, a versão em kernel do algoritmo Sigmoide, um algoritmo que otimiza o erro do filtro pelo emprego de uma função de custo par e não linear. Ademais, é apresentada a versão do KSIG com dicionário de dados pré-definido, visando redução do grande número de dados utilizados para obtenção da saída decorrente do uso da técnica com kernel. A eficiência teórica do KSIG e de sua versão com dicionário pré-definido é um resultado presente nas provas de convergência construídas para ambos os algoritmos, as quais demonstraram que estes convergem em média. Já as curvas de aprendizagem obtidas nas simulações computacionais dos experimentos realizados demonstraram que o KSIG quando comparado ao KLMS, em diferentes problemas de filtragem adaptativa, apresenta convergência mais rápida, em menos iterações, tanto nas versões sem tanto com dicionário pré-definido de ambos os algoritmos.