Submitted by Santos Davilene (davilenes@ufba.br) on 2016-05-25T15:22:41Z No. of bitstreams: 1 dissertacao_mestrado_ciencia_computacao_rafael_glauber.pdf: 2701674 bytes, checksum: d9b74db08b0e071f5dddf22ab848cd3e (MD5) / Made available in DSpace on 2016-05-25T15:22:41Z (GMT). No. of bitstreams: 1 dissertacao_mestrado_ciencia_computacao_rafael_glauber.pdf: 2701674 bytes, checksum: d9b74db08b0e071f5dddf22ab848cd3e (MD5) / Sistemas de Recomendação sugerem itens de interesse explorando as preferências dos usuários ajudando-os contra o problema da sobrecarga de informações. Primeiramente estes sistemas eram construídos, exclusivamente, através de técnicas com origem nas áreas de Recuperação de Informação e Aprendizado de Máquina. Porém, desde o início da década de 90 a abordagem conhecida como Filtragem Colaborativa, que não explora qualquer tipo de conteúdo disponível dos itens para realizar sua tarefa, passou a ser a mais utilizada como solução para estes sistemas. Pesquisas como as de Shardanand & Maes (1995); Das et al. (2007); Konstan & Riedl (2012) justificam essa preferência por conta de deficiências preexistentes nos algoritmos de filtragem por conteúdo dos itens. Entretanto, nestas pesquisas não são evidenciadas essas deficiências ou mesmo as diferenças e semelhanças das recomendações geradas pelos algoritmos dessas duas abordagens levando esta discussão ao senso comum. Neste trabalho é proposta uma metodologia para comparação de algoritmos de recomendação que vai além da precisão das previsões. Para demonstrar essa metodologia a aplicamos na comparação das abordagens de Filtragem Baseada em Conteúdo Textual e a Filtragem Colaborativa. Nossos resultados demonstram que algoritmos dessas duas abordagens não só diferem em diversas dimensões em um teste de sistema, como também apresentam características que sugerem grande complementariedade.

Made available in DSpace on 2014-06-12T15:54:09Z (GMT). No. of bitstreams: 2 arquivo1963_1.pdf: 1418766 bytes, checksum: 446cf37bd900690278cbeafa4f794844 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / É cada vez mais significativo o número de empresas que estão buscando vantagens competitivas em termos de custo, qualidade, redução de riscos, produtividade e flexibilidade. Neste sentido, o desenvolvimento de software terceirizado em fábricas de software surge como uma opção para minimizar as dificuldades encontradas com o crescimento do mercado e para maximizar as oportunidades de negócio no âmbito internacional. Sobretudo em empresas técnicas, como é o caso das fábricas de software, é de grande valia a adoção de processos de gestão do conhecimento para armazenar relatos de experiências de projetos. O armazenamento de tais relatos possibilita a sua utilização como referência para tomada de decisões posteriores ou o treinamento de novos funcionários da organização. No entanto, conforme observado na literatura de fábricas de software, a adoção de processos de gestão de conhecimento não é uma prática comumente seguida por esse tipo de organização. Os fatores são os mais diversos, entre os quais podem-se citar os custos envolvidos para preparação da infra-estrutura necessária e a contratação de pessoal especializado para realização da mesma. Dessa forma, a presente dissertação apresenta a concepção e os resultados da aplicação do sistema MaRKSoNe em uma fábrica de software pernambucana. O objetivo desse sistema é gerir o conhecimento de projetos e recomendar automaticamente clusters de mensagens à grupos de usuários com interesses afins em uma fábrica de software. Os resultados da implantação do MaRKSoNe em uma fábrica de software indicaram a redução do esforço necessário para realização da gestão de conhecimento em projetos de software. Além disso, foi verificado que a utilização desse sistema pode diminuir o tempo necessário para inserção de novos colaboradores no contexto de projetos de software

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

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.

[pt] A recomendação de itens a partir do feedback implícito dos usuários consiste em identificar padrões no interesse dos usuários por estes itens a partir de ações dos usuários, tais como cliques, interações ou o consumo de conteúdos específicos. Isso, de forma a prover sugestões personalizadas que se adéquem ao gosto destes usuários. Nesta dissertação, avaliamos a performance de alguns modelos de fatoração matricial otimizados para a tarefa de recomendação a partir de dados implícitos no consumo das ofertas de vídeos da Globo.com. Propusemos tratar estes dados de consumo como indicativos de intenção de um usuário em assistir um vídeo. Além disso, avaliamos como os vieses únicos dos usuários e vídeos, e sua variação temporal impactam o resultado das recomendações. Também sugerimos a utilização de um modelo de fatoração incremental otimizado para este problema, que escala linearmente com o tamanho da entrada, isto é, com os dados de visualizações e quantidade de variáveis latentes. Na tarefa de prever a intenção dos usuários em consumir um conteúdo novo, nosso melhor modelo de fatoração apresenta um RMSE de 0,0524 usando o viés de usuários e vídeos, assim como sua variação temporal. / [en] Item recommendation from implicit feedback datasets consists of passively tracking different sorts of user behavior, such as purchase history, watching habits and browsing activities in order to improve customer experience through providing personalized recommendations that fits into users taste. In this work we evaluate the performance of different matrix factorization models tailored for the recommendation task for the implicit feedback dataset extracted from Globo.com s video site s access logs. We propose treating the data as indication of a positive preference from a user regarding the video watched. Besides that we evaluated the impact of effects associated with either users or items, known as biases or intercepts, independent of any interactions and its time changing behavior throughout the life span of the data in the result of recommendations. We also suggest a scalable and incremental procedure, which scales linearly with the input data size. In trying to predict the intention of the users for consuming new videos our best factorization models achieves a RMSE of 0,0524 using user s and video s bias as well as its temporal dynamics.

As primeiras mídias sociais da internet surgiram há pouco mais de duas décadas, segunda metade dos anos 90. Em comparação com a evolução humana, isso seria algo como um milésimo de segundo de sua existência. Neste período, vários estudos procuram entender o comportamento e o agrupamento dos seres humanos nesta nova forma de comunicação. Teorias sobre formas de analisar as pessoas neste meio e como elas se agrupam e criam novos modos de comunicação e propagação de suas ideias florescem e iluminam este desconhecido caminho a ser criado e percorrido. Os métodos de identificação do comportamento humano criados antes das mídias sociais ganham uma nova forma de serem utilizados. Estudos sobre o \"eu\" (Belk, 1988), tribalismo (Cova, B., 1997), etnografia (Danzig, 1985), netnografia (Kozinets, 1998) e filtragem colaborativa (Golberg, Nichols, Oki e Terry, 1992) entram em cena para colocar uma luz no estudo das relações humanas no mundo digital. A internet revolucionou o modo de as pessoas interagirem e a evolução constante da tecnologia vem incessantemente gerando profundas implicações para o marketing. A rede mundial passou a ser um canal global pelo qual as empresas podem divulgar e vender seus produtos. No entanto, mesmo oferecendo um enorme potencial para as empresas, a internet aumentou a complexidade de identificar os clientes. Os usuários presentes nas mídias sociais estão menos interessados nos produtos e valorizam mais as identidades e os laços sociais gerados em torno de seus assuntos de interesse. Estas tribos eletrônicas ultrapassam as fronteiras geográficas e independem de raça, sexo e aspectos culturais de seus integrantes. Este trabalho apresenta um método para identificar tribos nas mídias sociais. O método foi aplicado na identificação da tribo de MMA (MixedMartialArts, em tradução livre, Artes Marciais Mistas) no Twitter. A validação foi realizada usando a plataforma de anúncios do Twitter, enviando durante 72 horas uma publicidade para mais de 600 mil usuários, divididos em grupo de controle e segmentações do Twitter e do método proposto DNA. O estudo comparou os resultados obtidos pelo método proposto DNA com os resultados do grupo de controle e da segmentação realizada pelo Twitter. Os resultados obtidos apontaram o aumento de interações dos usuários identificados como pertencentes a tribo de MMA, validando o método. / The first Internet social media emerged just over two decades ago, at the second half of 90\'s. Compared to human evolution, this would be something like a millisecond of its existence. In this period, several studies try to understand the behavior and grouping of human beings in this new form of communication. Theories about ways of analyzing people in this environment and how they group themselves and create new ways of communication and propagation their ideas flourish and illuminate this unknown pathway to be created and traveled. Methods of identifying human behavior created before social media receive a new way of being used. Studies on the \"self\" (Belk, 1988), tribalism (Cova, B., 1997), ethnography (Danzig, 1985), netnography (Kozinets, 1998) and collaborative filtering (Golberg, Nichols, Oki and Terry, 1992) come on the scene to shed light on the study of human relations in the digital world. The Internet has revolutionized people\'s way of interacting and the constant evolution of technology generates profound implications for the marketing. The worldwide network has become a global channel through which companies can disclose and sell their products. However, while offering tremendous potential to businesses, the Internet has increased the complexity of identifying customers. Users present in social media are less interested in products and value more the identities and social ties generated around their subjects of interest. These electronic tribes transcend the geographical borders and are independent of race, sex and cultural aspects of its members. This paper presents a method to identify tribes in social media. The method was applied in the identification of the MMA (Mixed Martial Arts) tribe on Twitter. The validation was done using the Twitter ads platform, sending 72 hours of advertisement for more than 600 thousand users, divided in control group and segmentations of Twitter and the proposed method. The study compared the results obtained by the proposed method with that of the control group and the segmentation created by Twitter. The obtained results pointed out the increase of interactions of the users identified as belonging to the MMA tribe validating the method.

Made available in DSpace on 2014-06-12T15:53:29Z (GMT). No. of bitstreams: 2 arquivo1917_1.pdf: 1398222 bytes, checksum: 1f7d802cf9389d6a3bd0502a0b689c39 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Universo on-line UOL / Nos últimos anos, pôde ser observado um significativo crescimento na produção de conteúdos multimídia, valendo salientar, ainda, que grande parte da disseminação desse conteúdo ocorre através da Internet. No entanto, algumas características do acesso ao referido conteúdo têm tornado sua busca e recuperação uma tarefa não trivial. Esta dificuldade de acesso apresenta-se ainda mais clara ao passo que os conteúdos multimídias são utilizados durante a formação de recursos humanos, todavia, sua utilização está cada vez mais comum, uma vez que oferece variados recursos que auxiliam, também, na aquisição do conhecimento. Deve-se, ainda, ressaltar a presença crescente dos arquivos multimídia em ambientes que tem por objetivo, promover e facilitar a Gestão do Conhecimento Organizacional (GCO), permitindo armazenar informações relevantes como palestras, manuais normativos, vídeo conferência, áudio de reuniões, dentre outros. O armazenamento de tais informações ao longo do tempo compõe a Memória Organizacional, que pode, futuramente, auxiliar tomadas de decisões. Todavia, para que isso ocorra, faz-se necessário que esse conteúdo possa ser eficientemente articulado e manipulado através de uma estrutura que possibilite seu armazenamento e permita sua recuperação de maneira rápida e simples. Na literatura atual, várias pesquisas buscam auxiliar o processo de gerenciamento do conhecimento dentro das organizações através de recursos computacionais, como, por exemplo, as Redes Sociais baseadas na web,oferecendo assim, funcionalidades que permitem aos próprios usuários alimentar o sistema de maneira colaborativa. No presente estudo, um dos resultados obtidos consiste no desenvolvimento do sistema RAVE, um ambiente multimídia interativo que minimiza as dificuldades encontradas na recuperação de conteúdos multimídia, permitindo, assim, o suporte à gestão do conhecimento organizacional, cujo objetivo não é apenas tornar tais conteúdos acessíveis, mas, também, realizar automaticamente recomendações personalizadas. Este ambiente possibilita, ainda, outras formas de recuperação de conteúdo multimídia como a busca por palavras-chave, através dela, o ambiente automaticamente consulta os arquivos do seu acervo e, quando encontrada, exibe para o usuário no tempo exato onde tal palavra-chave foi pronunciada. Ao longo desta dissertação são apresentados os conceitos utilizados no desenvolvimento do ambiente RAVE e os resultados por ele obtidos

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.

As primeiras mídias sociais da internet surgiram há pouco mais de duas décadas, segunda metade dos anos 90. Em comparação com a evolução humana, isso seria algo como um milésimo de segundo de sua existência. Neste período, vários estudos procuram entender o comportamento e o agrupamento dos seres humanos nesta nova forma de comunicação. Teorias sobre formas de analisar as pessoas neste meio e como elas se agrupam e criam novos modos de comunicação e propagação de suas ideias florescem e iluminam este desconhecido caminho a ser criado e percorrido. Os métodos de identificação do comportamento humano criados antes das mídias sociais ganham uma nova forma de serem utilizados. Estudos sobre o \"eu\" (Belk, 1988), tribalismo (Cova, B., 1997), etnografia (Danzig, 1985), netnografia (Kozinets, 1998) e filtragem colaborativa (Golberg, Nichols, Oki e Terry, 1992) entram em cena para colocar uma luz no estudo das relações humanas no mundo digital. A internet revolucionou o modo de as pessoas interagirem e a evolução constante da tecnologia vem incessantemente gerando profundas implicações para o marketing. A rede mundial passou a ser um canal global pelo qual as empresas podem divulgar e vender seus produtos. No entanto, mesmo oferecendo um enorme potencial para as empresas, a internet aumentou a complexidade de identificar os clientes. Os usuários presentes nas mídias sociais estão menos interessados nos produtos e valorizam mais as identidades e os laços sociais gerados em torno de seus assuntos de interesse. Estas tribos eletrônicas ultrapassam as fronteiras geográficas e independem de raça, sexo e aspectos culturais de seus integrantes. Este trabalho apresenta um método para identificar tribos nas mídias sociais. O método foi aplicado na identificação da tribo de MMA (MixedMartialArts, em tradução livre, Artes Marciais Mistas) no Twitter. A validação foi realizada usando a plataforma de anúncios do Twitter, enviando durante 72 horas uma publicidade para mais de 600 mil usuários, divididos em grupo de controle e segmentações do Twitter e do método proposto DNA. O estudo comparou os resultados obtidos pelo método proposto DNA com os resultados do grupo de controle e da segmentação realizada pelo Twitter. Os resultados obtidos apontaram o aumento de interações dos usuários identificados como pertencentes a tribo de MMA, validando o método. / The first Internet social media emerged just over two decades ago, at the second half of 90\'s. Compared to human evolution, this would be something like a millisecond of its existence. In this period, several studies try to understand the behavior and grouping of human beings in this new form of communication. Theories about ways of analyzing people in this environment and how they group themselves and create new ways of communication and propagation their ideas flourish and illuminate this unknown pathway to be created and traveled. Methods of identifying human behavior created before social media receive a new way of being used. Studies on the \"self\" (Belk, 1988), tribalism (Cova, B., 1997), ethnography (Danzig, 1985), netnography (Kozinets, 1998) and collaborative filtering (Golberg, Nichols, Oki and Terry, 1992) come on the scene to shed light on the study of human relations in the digital world. The Internet has revolutionized people\'s way of interacting and the constant evolution of technology generates profound implications for the marketing. The worldwide network has become a global channel through which companies can disclose and sell their products. However, while offering tremendous potential to businesses, the Internet has increased the complexity of identifying customers. Users present in social media are less interested in products and value more the identities and social ties generated around their subjects of interest. These electronic tribes transcend the geographical borders and are independent of race, sex and cultural aspects of its members. This paper presents a method to identify tribes in social media. The method was applied in the identification of the MMA (Mixed Martial Arts) tribe on Twitter. The validation was done using the Twitter ads platform, sending 72 hours of advertisement for more than 600 thousand users, divided in control group and segmentations of Twitter and the proposed method. The study compared the results obtained by the proposed method with that of the control group and the segmentation created by Twitter. The obtained results pointed out the increase of interactions of the users identified as belonging to the MMA tribe validating the method.

Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2017-06-14T16:52:48Z No. of bitstreams: 1 Ismael Messias Gomes Cardoso_.pdf: 1842376 bytes, checksum: 60eed8afd2b70fbe501d63c0e1b81c39 (MD5) / Made available in DSpace on 2017-06-14T16:52:48Z (GMT). No. of bitstreams: 1 Ismael Messias Gomes Cardoso_.pdf: 1842376 bytes, checksum: 60eed8afd2b70fbe501d63c0e1b81c39 (MD5) Previous issue date: 2017-03-16 / UNISINOS - Universidade do Vale do Rio dos Sinos / The use of recommender systems is already widespread. Everyday people are exposed to different items’ offering that infer their interest and anticipate decisions. The context information (such as location, goals, and entities around a context) plays a key role in the recommendation’s accuracy. Extending contexts snapshots into contexts histories enables that information to be exploit. It is possible to identify context’s sequences, similar contexts histories and even predict future contexts. In this work we present Vulcont, a recommender system based on a contexts history ontology. Vulcont merges the benefits of ontology reasoning with contexts histories in order to measure contexts history similarity, based on semantic and ontology’s properties provided by context’s domain. Vulcont considers synonymous and classes’ relations to measure similarity. After that, a collaborative filtering approach identifies sequences’ frequency to identify potential items for recommendation. We evaluated and discussed the Vulcont’s recommendation in four scenarios in an offline experiment, which presents Vulcont’s recommendation power, due the exploit of semantic value of contexts history. / O uso de sistemas de recomendação já é amplamente difundido. Diariamente pessoas são expostas a ofertas de itens que inferem seus interesses e antecipam decisões. As informações de contexto (como localização, objetivos, e entidades que cercam um contexto) tem um papel chave na acurácia da recomendação. Ampliando o uso de contextos para histórico de contextos, essa informação pode ser explorada ainda mais. É possível identificar sequências de contextos, similaridade entre histórico de contextos, e até prever contextos futuros. Neste trabalho é apresentado o Vulcont, um sistema de recomendação baseado numa ontologia de histórico de contextos. Vulcont une os benefícios do raciocínio da ontologia com o uso de histórico de contextos para quantificar a similaridade entre histórico de contextos, com base na semântica e outras propriedades da ontologia definidas pelo domínio do contexto. Vulcont considera sinônimos e relações de classes para calcular a similaridade. Por seguinte, um filtro colaborativo identifica a frequência de sequências para estimar items em potencial de recomendação. As recomendações do Vulcont foram avaliadas e discutidas em quatro cenários num experimento offline. O experimento apresentou o poder de recomendação do Vulcont, que é devido a exploração do valor semântico de histórico de contextos.