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%

Made available in DSpace on 2014-06-12T16:00:55Z (GMT). No. of bitstreams: 2 arquivo7091_1.pdf: 2209501 bytes, checksum: b4d5a299f69fe3f4cc2eb2915efed947 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Nos últimos anos, o conhecimento vem ocupando um lugar cada vez mais importante no universo corporativo e se tornando elemento essencial para o desenvolvimento organizacional e para o sucesso dos negócios. As empresas têm enxergado na Gestão do Conhecimento (GC) a possibilidade de aperfeiçoamento das atividades gerenciais e das rotinas administrativas, através de mecanismos que permitem a identificação e o desenvolvimento das competências dos funcionários, o estímulo à criatividade e ideias inovadoras, a gestão de projetos estratégicos, além de outros benefícios que podem ser obtidos através do uso do conhecimento. Com isso, as empresas estão desenvolvendo processos que facilitem a criação, o uso e o compartilhamento do seu conhecimento. Nas organizações, todo funcionário necessita de acesso a algum tipo de conhecimento para o desempenho satisfatório de suas atividades. Tal conhecimento pode ser obtido quando se coloca o profissional em contato com artefatos (e.g. documentos, manuais) relevantes ou através da troca de experiências com outros profissionais que possuam esse conhecimento. Entretanto, localizar esses artefatos ou funcionários não é uma tarefa simples. Este problema parece ainda pior no setor público, onde a maioria dos documentos produzidos não possui um modelo de armazenagem e são facilmente perdidos, dificultando a localização da informação institucional relevante. Por isso, o Governo Federal sugere a aplicação do Padrão de Metadados do Governo Eletrônico (e-PMG) para facilitar a localização dos documentos que os funcionários necessitem. Diante disso, algumas organizações vêm realizando pesquisas na área de Sistemas de Recomendação para localizar e recomendar pessoas e documentos relevantes. Estes sistemas são conhecidos como Sistemas de Recomendação de Especialistas (SRE). O objetivo desse trabalho é desenvolver uma ferramenta, o PARTNERS (PARTicular Needs to an Expert Recommender System), que aborde as duas áreas, GC e SRE, para utilização em uma organização do setor público. Além disto, é proposta uma metodologia de GC para as organizações do setor público que forem implementar projetos de GC que tratem com a recomendação de especialistas. Essa ferramenta foi utilizada em um experimento na Secretaria de Ciência Tecnologia e Meio Ambiente do Estado de Pernambuco (SECTMA). Este cenário possibilitou aos funcionários da secretaria ter uma visão do conhecimento institucional, facilitar a localização dos documentos estratégicos e dos especialistas, e impulsionar a criação de novos conhecimentos

Made available in DSpace on 2018-08-02T00:00:53Z (GMT). No. of bitstreams: 1 tese_3858_DissertacaoMestradoPedroPauloFavatoBarcelos.pdf: 2238551 bytes, checksum: 7a7dd07c841d1887b77a0bdbed3ff9ac (MD5) Previous issue date: 2011-04-07 / A recomendação ITU-T G.805 (ITU-T, 2000) é uma importante recomendação para redes de transporte, pois descreve uma arquitetura funcional genérica independente de tecnologias para este domínio e é usada como base para outras recomendações que descrevem a arquitetura funcional de redes, a gerência, a avaliação de desempenho e a especificação funcional de equipamentos. Apesar de fornecer uma ferramenta ágil para a descrição da arquitetura, a apresentação dos conceitos é feita de forma textual, gerando confusão por conta de definições recursivas e exemplos não claros, que muitas vezes até mesmo se contradizem. Esses aspectos da recomendação a torna de difícil entendimento, podendo confundir o leitor. É importante que, devido sua fundamental relevância, essa recomendação seja livre desses problemas. Para tal, é proposta nesta dissertação a utilização de técnicas de modelagem conceitual baseadas em ontologias para a geração de um modelo de referência para a área de redes de transporte, a partir da Recomendação ITU-T G.805. Além dos principais conceitos da recomendação são também apresentadas as vantagens da criação de um modelo de referência em ontologias e as principais tecnologias utilizadas para este objetivo. São realizadas uma análise arquitetural e uma reestruturação dos componentes definidos pela recomendação e uma avaliação ontológica da mesma, verificando casos de incompletudes, ambiguidades e outras deficiências ontológicas e apontando soluções. Por fim, é apresentado o modelo de referência em ontologia desenvolvido para a Recomendação ITU-T G.805, incluindo o modelo conceitual e suas regras de derivação e de restrição.

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

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

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-11-07T12:44:52Z No. of bitstreams: 1 leandrosimoesdasilva.pdf: 2246306 bytes, checksum: 62b13cb16a4ded100e15966fba624bc5 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-11-09T14:37:32Z (GMT) No. of bitstreams: 1 leandrosimoesdasilva.pdf: 2246306 bytes, checksum: 62b13cb16a4ded100e15966fba624bc5 (MD5) / Made available in DSpace on 2017-11-09T14:37:32Z (GMT). No. of bitstreams: 1 leandrosimoesdasilva.pdf: 2246306 bytes, checksum: 62b13cb16a4ded100e15966fba624bc5 (MD5) Previous issue date: 2017-09-01 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Sistemas de Recomendação podem ser definidos como sistemas capazes de recomendar recursos aderentes ao perfil e contexto do usuário ou grupo de usuários, podendo ser aplicados em diversos domínios, tais como educação, turismo e e-Science. Devido a esta característica adaptável é possível encontrar diversos modelos de recomendação na literatura, cada um com combinações de métodos e algoritmos distintos. Essa variedade de modelos de recomendação pode dificultar o processo de implementação de Sistemas de Recomendação. Neste cenário, a presente dissertação apresenta a arquitetura aberta MMRecommender, onde através da combinação de componentes presentes em cada etapa é possível instanciar modelos de recomendação que podem ser aplicados a diversos domínios. Para avaliar a arquitetura são apresentados três estudos de casos sob perspectivas diferentes: o primeiro estudo de caso foca na adaptação de um Sistema de Recomendação existente para a arquitetura MMRecommender, o segundo estudo de caso implementa um modelo de recomendação criado a partir da arquitetura proposta em um ecossistema de software científico, e, por último, um estudo de caso evidenciando como a arquitetura proposta viabilizou a implementação de um Sistema de Recomendação turístico utilizado nas olimpíadas RIO 2016. Após a avaliação de cada estudo de caso foram obtidos indícios de que a arquitetura proposta pode auxiliar na construção de modelos de recomendação. / Recommender Systems can be defined as systems capable of recommending resources adhering to user or group of user’s profile and context, and can be applied in several domains, such as education, tourism and e-science. Due to this adaptive feature, it is possible to find several recommender models in the literature, each with combinations of different methods and algorithms. This variety of recommendation models can make it difficult to implement Recommender Systems. In this scenario, the present dissertation presents an open architecture MMRecommender, where through the combination of components present in each step it is possible to instantiate recommender models that can be applied to several application domains. To evaluate the architecture, three case studies are presented under different perspectives: the first case study focuses on the adaptation of an existing Recommender System to the MMRecommender architecture, the second case study implements a recommender model created from the proposed architecture in a scientific software ecosystem, and finally a case study evidences how the proposed architecture made possible the implementation of a Tourist Recommender System used in the RIO 2016 Olympic Games. After evaluating each case study it was possible to identify indications that the proposed architecture can help in the construction of recommender models.

More than 50% of the cultivated areas in the Southern Brazil and more than 60% of the cultivable area in Paraguay adopted the no-tillage system. This system went through several improvements, but there are still doubts about the fertilizing recommendation. Nitrogen (N) and potassium (P) are the nutrients absorbed in largest quantities and their deficiencies affect crop productivity. In this sense, the purpose of this study was to develop a nitrogen and potassium fertilizer recommendation system suitable for wheat, corn and soybean under no-tillage system in Paraguay. Seven field experiments were conducted in four Paraguayan Departments, which include the main grain production regions. Soils in these regions are mainly Oxisols , Inceptisols and Ultisols. Experimental design was random blocks with three replications. Treatments consisted of five rates of N for wheat (0, 30, 60, 90 e 120 kg ha-1 of N), five for corn (0, 60, 120, 180 e 240 kg ha-1 of N), and five rates of K (0, 25, 50, 75 e 100 kg ha-1 of K2O) for corn, wheat and soybean. Those nutrients there are not included in the study were properly supplied. For N, curves of these crops were made and maximum technical and economical efficiencies were calculated, as well as lavels of fertilizers recommended for corn and wheat under notillage system. For K, the soil critical level was determined, correlating level of K in the soil (determined by the method Mehlich 1) and the plant response (relative productivity). It was also determined lavels of K needed to attain the critical le vel in the soil and also to maintain it after it was reached. For wheat, it is necessary 35 kg ha-1 of N to reach 3100 kg ha-1 of wheat after soybean, and after corn it is necessary 30 kg ha-1 of N for a productivity of 2100 kg ha-1 of wheat. Wheat responds to residual N applied in corn. For a productivity of 6000 kg ha-1 of corn it is necessary 90 kg ha-1 after the wheat with little straw leftover. On the other hand, when there is a large quantity of straw and the no-tillage system is not stabilized, 130 kg ha-1 of N is needed. For a productivity of 8000 kg ha-1 of corn, 120 kg ha-1 of N is necessary in a consolidated no-tillage system. The critical level of K in the soil as determined by the Mehlich 1 method is 74 mg dm-3 for a relative productivity of 90%. To increase one mg dm-3 the level of K in the soil, 5 kg ha-1 of K2O is needed. At levels above 150 mg dm-3 plants do not respond to K application and only starting rates are recommended for wheat, corn and soybean crops. / O sistema plantio direto é adotado em mais de 50% das áreas do sul do Brasil e em mais de 60% de toda área cultivável do Paraguai. O sistema passou por várias adaptações, mas ainda permanecem dúvidas quanto à recomendação de adubação. O nitrogênio (N) e o potássio (K) são os nutrientes absorvidos em maior quantidade pelas plantas e suas deficiências afetam as produtividades. Neste sentido, o objetivo deste trabalho foi elaborar um sistema de recomendação de adubação nitrogenada e potássica adequado para trigo, milho e soja sob sistema plantio direto no Paraguai. Foram conduzidos sete experimentos em rede, em quatro departamentos do Paraguai, englobando as principais regiões produtoras de grãos. Os solos dessas regiões são principalmente Oxisols, Inceptisols e Ultisols. O esquema experimental foi de blocos ao acaso com três repetições. Os tratamentos constaram de cinco doses de N para trigo (0, 30, 60, 90 e 120 kg ha-1 de N), cinco para milho (0, 60, 120, 180 e 240 kg ha-1 de N) e cinco doses de K (0, 25, 50, 75 e 100 kg ha-1 de K2O) para trigo, milho e soja. Os elementos que não estavam em estudo foram supridos adequadamente. Para N foram determinadas as produtividades das culturas, elaboradas as curvas de resposta e calculadas máxima eficiência técnica e econômica, assim como as doses recomendadas para o milho e o trigo sob sistema plantio direto. Para o K, foi determinado o teor crítico no solo, correlacionando o teor de K no solo (determinado pelo método de análise Mehlich 1) e a resposta das plantas (rendimento relativo). Foram determinadas as doses de K necessárias para alcançar o teor crítico no solo e para mantê -lo depois de atingido. Para o trigo são necessários 35 kg ha-1 de N para atingir 3100 kg ha-1 de trigo após a soja, e após o milho são necessários 30 kg ha-1 de N para produtividade de 2100 kg ha-1 de trigo. O trigo responde ao residual de N aplicado no milho. Para produtividade de 6000 kg ha-1 de milho são necessários 90 kg ha-1 de N após o trigo com pouca palha. Já quando há grande quantidade de palha e o sistema plantio direto não está estabilizado, são necessários 130 kg ha-1 de N. Para produtividades de 8000 kg ha-1 de milho são necessários 120 kg ha-1 de N num sistema plantio direto consolidado. O teor crítico de K no solo determinado pelo método Mehlich 1 é de 74 mg dm-3 para rendimento relativo de 90%. São necessários 5 kg ha-1 de K2O para elevar em um mg dm-3 o teor de K no solo. Com teores acima de 150 mg dm-3 no solo, as plantas geralmente não apresentam resposta à aplicação de K, recomendando-se somente dose de arranque para as culturas de trigo, milho e soja.

Sistemas de Recomendação (SR) são softwares capazes de sugerir itens aos usuários com base no histórico de interações de usuários ou por meio de métricas de similaridade que podem ser comparadas por item, usuário ou ambos. Existem diferentes tipos de SR e dentre os que despertam maior interesse deste trabalho estão: SR baseados em conteúdo; SR baseados em conhecimento; e SR baseado em filtro colaborativo. Alcançar resultados adequados às expectativas dos usuários não é uma meta simples devido à subjetividade inerente ao comportamento humano, para isso, SR precisam de soluções eficientes e eficazes para: modelagem dos dados que suportarão a recomendação; recuperação da informação que descrevem os dados; combinação dessas informações dentro de métricas de similaridade, popularidade ou adequabilidade; criação de modelos descritivos dos itens sob recomendação; e evolução da inteligência do sistema de forma que ele seja capaz de aprender a partir da interação com o usuário. A tomada de decisão por um sistema de recomendação é uma tarefa complexa que pode ser implementada a partir da visão de áreas como inteligência artificial e mineração de dados. Dentro da área de inteligência artificial há estudos referentes ao método de raciocínio baseado em casos e da recomendação baseada em casos. No que diz respeito à área de mineração de dados, os SR podem ser construídos a partir de modelos descritivos e realizar tratamento de dados textuais, constituindo formas de criar elementos para compor uma recomendação. Uma forma de minimizar os pontos fracos de uma abordagem, é a adoção de aspectos baseados em uma abordagem híbrida, que neste trabalho considera-se: tirar proveito dos diferentes tipos de SR; usar técnicas de resolução de problemas; e combinar recursos provenientes das diferentes fontes para compor uma métrica unificada a ser usada para ranquear a recomendação por relevância. Dentre as áreas de aplicação dos SR, destaca-se a recomendação de notícias, sendo utilizada por um público heterogêneo, amplo e exigente por relevância. Neste contexto, a presente pesquisa apresenta uma abordagem híbrida para recomendação de notícias construída por meio de uma arquitetura implementada para provar os conceitos de um sistema de recomendação. Esta arquitetura foi validada por meio da utilização de um corpus de notícias e pela realização de um experimento online. Por meio do experimento foi possível observar a capacidade da arquitetura em relação aos requisitos de um sistema de recomendação de notícias e também confirmar a hipótese no que se refere à privilegiar recomendações com base em similaridade, popularidade, diversidade, novidade e serendipidade. Foi observado também uma evolução nos indicadores de leitura, curtida, aceite e serendipidade conforme o sistema foi acumulando histórico de preferências e soluções. Por meio da análise da métrica unificada para ranqueamento foi possível confirmar sua eficácia ao verificar que as notícias melhores colocadas no ranqueamento foram as mais aceitas pelos usuários / Recommendation Systems (RS) are software capable of suggesting items to users based on the history of user interactions or by similarity metrics that can be compared by item, user, or both. There are different types of RS and those which most interest in this work are content-based, knowledge-based and collaborative filtering. Achieving adequate results to user\'s expectations is a hard goal due to the inherent subjectivity of human behavior, thus, the RS need efficient and effective solutions to: modeling the data that will support the recommendation; the information retrieval that describes the data; combining this information within similarity, popularity or suitability metrics; creation of descriptive models of the items under recommendation; and evolution of the systems intelligence to learn from the user\'s interaction. Decision-making by a RS is a complex task that can be implemented according to the view of fields such as artificial intelligence and data mining. In the artificial intelligence field there are studies concerning the method of case-based reasoning that works with the principle that if something worked in the past, it may work again in a new similar situation the one in the past. The case-based recommendation works with structured items, represented by a set of attributes and their respective values (within a ``case\'\' model), providing known and adapted solutions. Data mining area can build descriptive models to RS and also handle, manipulate and analyze textual data, constituting one option to create elements to compose a recommendation. One way to minimize the weaknesses of an approach is to adopt aspects based on a hybrid solution, which in this work considers: taking advantage of the different types of RS; using problem-solving techniques; and combining resources from different sources to compose a unified metric to be used to rank the recommendation by relevance. Among the RS application areas, news recommendation stands out, being used by a heterogeneous public, ample and demanding by relevance. In this context, the this work shows a hybrid approach to news recommendations built through a architecture implemented to prove the concepts of a recommendation system. This architecture has been validated by using a news corpus and by performing an online experiment. Through the experiment it was possible to observe the architecture capacity related to the requirements of a news recommendation system and architecture also related to privilege recommendations based on similarity, popularity, diversity, novelty and serendipity. It was also observed an evolution in the indicators of reading, likes, acceptance and serendipity as the system accumulated a history of preferences and solutions. Through the analysis of the unified metric for ranking, it was possible to confirm its efficacy when verifying that the best classified news in the ranking was the most accepted by the users

Sistemas de Recomendação (SR) são softwares capazes de sugerir itens aos usuários com base no histórico de interações de usuários ou por meio de métricas de similaridade que podem ser comparadas por item, usuário ou ambos. Existem diferentes tipos de SR e dentre os que despertam maior interesse deste trabalho estão: SR baseados em conteúdo; SR baseados em conhecimento; e SR baseado em filtro colaborativo. Alcançar resultados adequados às expectativas dos usuários não é uma meta simples devido à subjetividade inerente ao comportamento humano, para isso, SR precisam de soluções eficientes e eficazes para: modelagem dos dados que suportarão a recomendação; recuperação da informação que descrevem os dados; combinação dessas informações dentro de métricas de similaridade, popularidade ou adequabilidade; criação de modelos descritivos dos itens sob recomendação; e evolução da inteligência do sistema de forma que ele seja capaz de aprender a partir da interação com o usuário. A tomada de decisão por um sistema de recomendação é uma tarefa complexa que pode ser implementada a partir da visão de áreas como inteligência artificial e mineração de dados. Dentro da área de inteligência artificial há estudos referentes ao método de raciocínio baseado em casos e da recomendação baseada em casos. No que diz respeito à área de mineração de dados, os SR podem ser construídos a partir de modelos descritivos e realizar tratamento de dados textuais, constituindo formas de criar elementos para compor uma recomendação. Uma forma de minimizar os pontos fracos de uma abordagem, é a adoção de aspectos baseados em uma abordagem híbrida, que neste trabalho considera-se: tirar proveito dos diferentes tipos de SR; usar técnicas de resolução de problemas; e combinar recursos provenientes das diferentes fontes para compor uma métrica unificada a ser usada para ranquear a recomendação por relevância. Dentre as áreas de aplicação dos SR, destaca-se a recomendação de notícias, sendo utilizada por um público heterogêneo, amplo e exigente por relevância. Neste contexto, a presente pesquisa apresenta uma abordagem híbrida para recomendação de notícias construída por meio de uma arquitetura implementada para provar os conceitos de um sistema de recomendação. Esta arquitetura foi validada por meio da utilização de um corpus de notícias e pela realização de um experimento online. Por meio do experimento foi possível observar a capacidade da arquitetura em relação aos requisitos de um sistema de recomendação de notícias e também confirmar a hipótese no que se refere à privilegiar recomendações com base em similaridade, popularidade, diversidade, novidade e serendipidade. Foi observado também uma evolução nos indicadores de leitura, curtida, aceite e serendipidade conforme o sistema foi acumulando histórico de preferências e soluções. Por meio da análise da métrica unificada para ranqueamento foi possível confirmar sua eficácia ao verificar que as notícias melhores colocadas no ranqueamento foram as mais aceitas pelos usuários / Recommendation Systems (RS) are software capable of suggesting items to users based on the history of user interactions or by similarity metrics that can be compared by item, user, or both. There are different types of RS and those which most interest in this work are content-based, knowledge-based and collaborative filtering. Achieving adequate results to user\'s expectations is a hard goal due to the inherent subjectivity of human behavior, thus, the RS need efficient and effective solutions to: modeling the data that will support the recommendation; the information retrieval that describes the data; combining this information within similarity, popularity or suitability metrics; creation of descriptive models of the items under recommendation; and evolution of the systems intelligence to learn from the user\'s interaction. Decision-making by a RS is a complex task that can be implemented according to the view of fields such as artificial intelligence and data mining. In the artificial intelligence field there are studies concerning the method of case-based reasoning that works with the principle that if something worked in the past, it may work again in a new similar situation the one in the past. The case-based recommendation works with structured items, represented by a set of attributes and their respective values (within a ``case\'\' model), providing known and adapted solutions. Data mining area can build descriptive models to RS and also handle, manipulate and analyze textual data, constituting one option to create elements to compose a recommendation. One way to minimize the weaknesses of an approach is to adopt aspects based on a hybrid solution, which in this work considers: taking advantage of the different types of RS; using problem-solving techniques; and combining resources from different sources to compose a unified metric to be used to rank the recommendation by relevance. Among the RS application areas, news recommendation stands out, being used by a heterogeneous public, ample and demanding by relevance. In this context, the this work shows a hybrid approach to news recommendations built through a architecture implemented to prove the concepts of a recommendation system. This architecture has been validated by using a news corpus and by performing an online experiment. Through the experiment it was possible to observe the architecture capacity related to the requirements of a news recommendation system and architecture also related to privilege recommendations based on similarity, popularity, diversity, novelty and serendipity. It was also observed an evolution in the indicators of reading, likes, acceptance and serendipity as the system accumulated a history of preferences and solutions. Through the analysis of the unified metric for ranking, it was possible to confirm its efficacy when verifying that the best classified news in the ranking was the most accepted by the users

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-08-16T17:52:50Z No. of bitstreams: 1 RodrigoFeitosa.pdf: 4009932 bytes, checksum: 55ef5e97ddc653cf1849e17eafdc396f (MD5) / Made available in DSpace on 2017-08-16T17:52:50Z (GMT). No. of bitstreams: 1 RodrigoFeitosa.pdf: 4009932 bytes, checksum: 55ef5e97ddc653cf1849e17eafdc396f (MD5) Previous issue date: 2013-03-22 / The search of knowledge and its manipulation in companies, institutions or other organizations has become a challenge nowadays. Mostly due to two aspects: the large volume of information available and the difficulty in extracting the knowledge proper to each person (intellectual capital). This difficulty becomes more accentuated when the scenario involved the extraction of knowledge is the Web. The area of Knowledge Management seeks a solution to the limitations described above. Techniques for extracting and control of knowledge can be adopted with the use of Artificial Intelligence, particularly the Knowledge Discovery in Databases. This work proposes the creation of a methodology and application that perform the Data Mining with textual information linked to geo data in a social network, in order to promote Social Recommendation. However, approaches in building recommendation systems present some shortcomings in filtering the results and the way they are suggested to users. The research aims to remedy these deficiencies and addresses issues that still need to search more effective and consolidated results. / A busca do conhecimento e a sua manipulação em empresas, instituições ou outras organizações tem se tornado um desafio nos dias atuais. Em grande parte devido a dois aspectos: o grande volume de informação disponibilizada e a dificuldade em extrair o conhecimento próprio de cada pessoa (capital intelectual). Essa dificuldade torna-se mais acentuada quando o cenário envolvido para a extração de conhecimento é a Web. A área da Gestão de Conhecimento busca a solução para as limitações descritas anteriormente. Técnicas para a extração e controle do conhecimento podem ser adotadas com o uso da Inteligência Artificial, sobretudo a Descoberta de Conhecimento em Bases de Dados. Este trabalho propõe-se a criação de uma metodologia e aplicação que realize a Mineração de Dados com informações textuais vinculados a dados geolocalizados em uma Rede Social, com o intuito de promover a Recomendação Social. Entretanto, as abordagens na construção dos Sistemas de Recomendação apresentam algumas deficiências na filtragem dos resultados e na forma que estes são sugeridos aos usuários. A pesquisa busca a solução destas deficiências e aborda temas que ainda carecem de pesquisas mais efetivas e resultados consolidados.