Submitted by PGCOMP UFBA (pgcomp@ufba.br) on 2016-05-04T19:17:20Z No. of bitstreams: 1 bruno-cabral-dissertacao-mestrado.pdf: 2471192 bytes, checksum: d79f658a3d0ad9e64c9e6e2daff4b069 (MD5) / Approved for entry into archive by Alda Lima da Silva (sivalda@ufba.br) on 2016-05-04T20:08:16Z (GMT) No. of bitstreams: 1 bruno-cabral-dissertacao-mestrado.pdf: 2471192 bytes, checksum: d79f658a3d0ad9e64c9e6e2daff4b069 (MD5) / Made available in DSpace on 2016-05-04T20:08:16Z (GMT). No. of bitstreams: 1 bruno-cabral-dissertacao-mestrado.pdf: 2471192 bytes, checksum: d79f658a3d0ad9e64c9e6e2daff4b069 (MD5) / Improving Recommender Systems Precision with Multiple Metadata using Ensemble Methods

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2017. / Made available in DSpace on 2017-11-21T03:22:20Z (GMT). No. of bitstreams: 1 348587.pdf: 724704 bytes, checksum: b38ecdc2a6867c169d2e6b076ee4369e (MD5) Previous issue date: 2017 / O enorme volume de informação hoje em dia aumenta a complexidade e degrada a qualidade do processo de tomada de decisão. A fim de melhorar a qualidade das decisões, os sistemas de recomendação têm sido utilizados com resultados consideráveis. Nesse contexto, a filtragem colaborativa desempenha um papel ativo em superar o problema de sobrecarga de informação. Em um cenário em que novas avaliações são recebidas constantemente, um modelo estático torna-se ultrapassado rapidamente, portanto a velocidade de atualização do modelo é um fator crítico. Propomos um método de aprendizagem de ranqueamento incremental acelerado para filtragem colaborativa. Para atingir esse objetivo, aplicamos uma técnica de aceleração a uma abordagem de aprendizado incremental para filtragem colaborativa. Resultados em conjuntos de dados reais confirmam que o algoritmo proposto é mais rápido no processo de aprendizagem mantendo a precisão do modelo. / Abstract : The enormous volume of information nowadays increases the complexity of the decision-making process and degrades the quality of decisions. In order to improve the quality of decisions, recommender systems have been applied with significant results. In this context, the collaborative filtering technique plays an active role overcoming the information overload problem. In a scenario where new ratings have been received constantly, a static model becomes outdated quickly, hence the rate of update of the model is a critical factor. We propose an accelerated incremental listwise learning to rank approach for collaborative filtering. To achieve this, we apply an acceleration technique to an incremental collaborative filtering approach. Results on real word datasets show that our proposal accelerates the learning process and keeps the accuracy of the model.

Submitted by João Arthur Martins (joao.arthur@ufpe.br) on 2015-03-12T18:35:55Z No. of bitstreams: 2 Tese Edeilson Milhomen.pdf: 4933042 bytes, checksum: 3faba2bba3d1a377b4b5b12832800bee (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-12T18:35:55Z (GMT). No. of bitstreams: 2 Tese Edeilson Milhomen.pdf: 4933042 bytes, checksum: 3faba2bba3d1a377b4b5b12832800bee (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-11-08 / O volume de informação disponível na web aumenta a cada dia, muitas vezes por estímulo das plataformas sociais que vêm se destacando neste cenário, já que provêem facilidades para que as pessoas possam interagir e trocar experiências. A gestão eficiente deste conhecimento, embora não seja uma tarefa trivial, pode trazer diversos benefícios como, por exemplo, a recomendação personalizada para as pessoas, de acordo com as suas preferências. Neste sentido, a presente tese tem como propósito apresentar uma abordagem, intitulada SWEETS, que identifica auto-maticamente quais as áreas e nível (grau) de conhecimento das pessoas, isto é, os especialistas em determinadas áreas de conhecimento. Para isso, são usados os conhecimentos produzidos por estas pessoas e disponibilizados em diferentes plataformas virtuais. A identificação dos ní-veis de conhecimento destas pessoas em áreas específicas pode não ser suficiente, pois é inte-ressante que sejam identificados os especialistas mais adequados para uma determinada pessoa, isto é, que tenham um relacionamento social mais próximo, aumentando assim a probabilidade de colaboração. As informações contextuais dos relacionamentos (e.g. distância social) entre pessoas oferecem background para a descoberta de quão estas pessoas confiam umas nas outras. Assim, a presente tese defende que estes relacionamentos de confiança são fundamentais na decisão de colaboração entre indivíduos. Por isso, é apresentada uma abordagem, intitulada T-SWEETS, que se baseia nas informações contextuais dos relacionamentos entre indivíduos para inferir o grau de confiança entre eles, e a sua implantação em um cenário que comprovou a ten-dência de colaboração entre os indivíduos que possuem relações confiáveis. T-SWEETS baseia-se em 4 elementos: Similaridade entre Perfis, Relacionamento de Confiança, Nível de Maturi-dade e Reputação, que são oriundos do resultado de um experimento realizado com um grupo de pessoas. Outra constatação desta tese é que, embora haja um grande volume de conhecimento disponibilizado pelas pessoas nas plataformas virtuais, muitas vezes este conhecimento pode não ser suficiente para identificar e recomendar a pessoa especialista em assuntos específicos. Por isso, a descoberta (recomendação) de relacionamentos de confiança entre os indivíduos po-de ser um elemento que encoraje as pessoas a trocarem experiências ou interagirem, uma vez que as pessoas tendem a colaborar com pessoas que mais confiam, fornecendo assim, insumo para a inferência das especialidades dos indivíduos.

Made available in DSpace on 2014-06-12T15:57:19Z (GMT). No. of bitstreams: 2 arquivo3181_1.pdf: 894422 bytes, checksum: 32675dce526579433b985fbe6750b3ca (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Atualmente é comum encontrar empresas de software com equipes de desenvolvimento distribuídas em diferentes localizações; em vários casos esta divisão ocorre em escala global. O crescimento desta nova modalidade de organização e disposição dos times está ligado aos interesses das empresas em conseguir os profissionais mais capacitados, reduzir o custo de desenvolvimento, ter presença globalizada e alcançar maior proximidade com os seus clientes. Contudo, o Desenvolvimento Distribuído de Software (DDS) tem criado diversos desafios na comunicação entre seus colaboradores. Entre os aspectos mais prejudicados pela comunicação deficiente está a identificação dos especialistas no projeto. Por conta disso, o inicio do processo de comunicação torna-se lento, afetando o desempenho das atividades no projeto e gerando atrasos na execução do projeto. Como as equipes podem ter um tempo de sobreposição de horário de trabalho muito curto, a identificação da pessoa mais provável a responder mensagens de dúvidas aponta ser uma grande oportunidade para reduzir os atrasos gerados na comunicação, principalmente assíncrona, entre equipes distribuídas. O presente trabalho propõe a ferramenta Presley para identificar e recomendar os especialistas existentes em um projeto àquelas pessoas que buscam por ajuda durante a atividade de codificação, reduzindo o tempo de espera e evitando desperdício de esforço na localização dos especialistas. Isto é realizado através da análise das informações contidas nos registros de comunicação dos desenvolvedores e no histórico de alterações dos códigosfonte. O experimento realizado demonstrou que a ferramenta pode ajudar na colaboração entre equipes distribuídas e que a comunicação registrada pode fornecer informações valiosas na identificação dos especialistas

Sistemas de Recomendação ajudam na personalização de sites na Internet oferecendo conteúdo ou produtos específicos aos usuários. Com dispositivos móveis, aumentou o interesse do usuário em ter recomendações personalizadas de locais para ir de acordo com o seu histórico de navegação e avaliações como restaurantes e pontos turísticos. Para que as recomendações personalizadas por locais sejam mais precisas é necessário contextualizá-las de acordo com o interesse do usuário que caracterizado por locais que ele visitou e por regiões de interesse como moradia, onde trabalha ou mesmo onde passará férias. Várias técnicas de contextualização utilizaram todos os locais que o usuário visitou para geração da recomendação contextual do local, outras técnicas trabalham na arquitetura híbrida. Muitas assumem que é necessário a posição exata do usuário para que as recomendações sejam online, o que muitas vezes não é possível por limitações técnicas ou mesmo indisponibilização do usuário por questões de privacidade. O objetivo principal deste trabalho é geração de recomendações usando multicontextos de forma offline, gerando vários contextos de cada usuário. Os locais são recomendados utilizando apenas dados históricos, sem a localização exata no usuário do momento da recomendação. Para atingir este objetivo foram utilizadas técnicas de clustering para mapeamento e divisão dos contextos em regiões indicando o interesse do usuário gerando a recomendação final dos locais a partir de um método híbrido de recomendação que usa filtragem colaborativa e a recomendação contextual proposta. Os resultados mostraram que a técnica proposta apresenta recomendações melhores do que apenas a recomendação colaborativa pura e, para usuários assíduos, as recomendações são melhores do que as técnicas base usadas para comparação. / Recommender Systems help in web sites personalization, offering specific content or products to users. With mobile devices, user interest in Point-of-Interest (POI) recommendation has increased to receive recommendations about places to go according to your navigation and evaluation history in the web site. POI recommendation are improved by contextualizing according to users interest, based on places to where user has been and on regions of interest such as the region where the user lives, works or the region intends go on vacation. Many contextualization techniques use all places that user visited for generation of POI contextual recommendation. Other techniques use hybrid architectures and many of them assume that is necessary the exact point where the user is for online recommendation and this in not possible always due technical limitations or user privacy. The main objective of this work is the offline generation of recommendations using multicontexts. Places to be recommended use only user historical data, without the user current localization at the moment of recommendation. Several techniques have been used for clustering for mapping and division of contexts in regions, indicating the user interests and, finally, generating the final recommendation using a hybrid method with collaborative filtering and contextual recommendation proposed. The results indicate that the proposed technique builds better recommendations than the pure collaborative filtering technique and for heavy users the proposed technique has better results the baseline technique used for comparison.

Sistemas de Recomendação ajudam na personalização de sites na Internet oferecendo conteúdo ou produtos específicos aos usuários. Com dispositivos móveis, aumentou o interesse do usuário em ter recomendações personalizadas de locais para ir de acordo com o seu histórico de navegação e avaliações como restaurantes e pontos turísticos. Para que as recomendações personalizadas por locais sejam mais precisas é necessário contextualizá-las de acordo com o interesse do usuário que caracterizado por locais que ele visitou e por regiões de interesse como moradia, onde trabalha ou mesmo onde passará férias. Várias técnicas de contextualização utilizaram todos os locais que o usuário visitou para geração da recomendação contextual do local, outras técnicas trabalham na arquitetura híbrida. Muitas assumem que é necessário a posição exata do usuário para que as recomendações sejam online, o que muitas vezes não é possível por limitações técnicas ou mesmo indisponibilização do usuário por questões de privacidade. O objetivo principal deste trabalho é geração de recomendações usando multicontextos de forma offline, gerando vários contextos de cada usuário. Os locais são recomendados utilizando apenas dados históricos, sem a localização exata no usuário do momento da recomendação. Para atingir este objetivo foram utilizadas técnicas de clustering para mapeamento e divisão dos contextos em regiões indicando o interesse do usuário gerando a recomendação final dos locais a partir de um método híbrido de recomendação que usa filtragem colaborativa e a recomendação contextual proposta. Os resultados mostraram que a técnica proposta apresenta recomendações melhores do que apenas a recomendação colaborativa pura e, para usuários assíduos, as recomendações são melhores do que as técnicas base usadas para comparação. / Recommender Systems help in web sites personalization, offering specific content or products to users. With mobile devices, user interest in Point-of-Interest (POI) recommendation has increased to receive recommendations about places to go according to your navigation and evaluation history in the web site. POI recommendation are improved by contextualizing according to users interest, based on places to where user has been and on regions of interest such as the region where the user lives, works or the region intends go on vacation. Many contextualization techniques use all places that user visited for generation of POI contextual recommendation. Other techniques use hybrid architectures and many of them assume that is necessary the exact point where the user is for online recommendation and this in not possible always due technical limitations or user privacy. The main objective of this work is the offline generation of recommendations using multicontexts. Places to be recommended use only user historical data, without the user current localization at the moment of recommendation. Several techniques have been used for clustering for mapping and division of contexts in regions, indicating the user interests and, finally, generating the final recommendation using a hybrid method with collaborative filtering and contextual recommendation proposed. The results indicate that the proposed technique builds better recommendations than the pure collaborative filtering technique and for heavy users the proposed technique has better results the baseline technique used for comparison.

Submitted by Kilvya Braga (kilvyabraga@hotmail.com) on 2018-05-16T13:28:09Z No. of bitstreams: 1 SAULO SOARES DE TOLEDO - DISSERTAÇÃO (PPGCC) 2016.pdf: 2345909 bytes, checksum: dcaa7238380f7791f922778432a5b9ea (MD5) / Made available in DSpace on 2018-05-16T13:28:09Z (GMT). No. of bitstreams: 1 SAULO SOARES DE TOLEDO - DISSERTAÇÃO (PPGCC) 2016.pdf: 2345909 bytes, checksum: dcaa7238380f7791f922778432a5b9ea (MD5) Previous issue date: 2016 / Modelos UML são usados de várias formas na engenharia de software. Eles podem modelar desde requisitos até todo o software, e compreendem vários diagramas. O diagrama de classes, o mais popular dentre os diagramas da UML, faz uso de vários elementos UML e adornos, tais como abstração, interfaces, atributos derivados, conjuntos de generalização, composições e agregações. Atualmente, não há maneira fácil de encontrar este tipo de diagrama com base nestas características para a reutilização ou a aprendizagem por tarefas de exemplo. Por outro lado, Sistemas de Recomendação são ferramentas e técnicas que são capazes de descobrir os elementos mais adequados para um usuário, dentre muitos outros. Existem várias técnicas de recomendação, que usam informações dos elementos de várias maneiras, ao uso da opinião de outros usuários. Sistemas de recomendação já foram utilizadas com sucesso em vários problemas da engenharia de software, a exemplo da recomendação de partes de código para reuso (como métodos,por exemplo) e da identificação do desenvolvedor mais adequado para trabalhar em certas áreas do software. Este trabalho tem como objetivo propor e avaliar (i) uma representação baseada em conteúdo para diagramas de classe e as preferências do usuário, (ii) um novo algoritmo de recomendação baseado no conhecimento, (iii) a aplicação deste algoritmo e outros dois outros do estado da parte para a recomendação de diagramas de classe UML e (iv) uma avaliação destas abordagens contra uma sugestão aleatória. Para atingir este objetivo, foi realizado um estudo de caso com estudantes de ciência da computação e egressos. Depois de comparar os algoritmos, os nossos resultados mostram que, para o nosso conjunto de dados, todos eles são melhores do que uma recomendação aleatória. / UML models are used in several ways in the software engineering. They can model from requirements to the entire software, and comprise several diagrams. The Class diagram, the most popular among the UML diagrams, makes use of several UML elements and adornments, such as abstraction, interfaces, derived attributes, generalization sets, compositions and aggregations. Currently, there is no easy way to find this kind of diagram based on these features for reuse or learning by example’s tasks, for instance. On the other hand, Recommender Systems are powerful tools and techniques that are able to discover the most appropriate elements to an user among many others. There are several recommender techniques, from using the elements’ information in several ways, to using other users’ opinions. Recommender systems were already used successfully in several software engineering problems, as discovering pieces of code to recommend (as methods, for example) and finding the best developer to work in certain software problems. This work aims to propose and evaluate (i) a content-based Recommender System’s representation for class diagrams’ features and user’s preferences, (ii) a new knowledge-based recommender algorithm, (iii) the application this algorithm and two other state of the art content-based on esto the recommendation of UML class diagrams and (iv) an evaluation of these approaches against a random suggestion. To achieve this goal, we conducted a case study with computer science students and egresses. After comparing the algorithms, our results show that, for our dataset, all of them are better than a random recommendation.

Submitted by Kilvya Braga (kilvyabraga@hotmail.com) on 2018-05-15T13:27:13Z No. of bitstreams: 1 VÍTOR DE SOUZA AMARAL - DISSERTAÇÃO (PPGCC) 2016.pdf: 474505 bytes, checksum: a4f88444155adc7bb62c7035f928a20b (MD5) / Made available in DSpace on 2018-05-15T13:27:13Z (GMT). No. of bitstreams: 1 VÍTOR DE SOUZA AMARAL - DISSERTAÇÃO (PPGCC) 2016.pdf: 474505 bytes, checksum: a4f88444155adc7bb62c7035f928a20b (MD5) Previous issue date: 2016 / Capes / Uma playlist pode ser definida como qualquer sequência de músicas para ser executada tipicamente de forma ordenada sem que seja necessário ao usuário ter que selecionar individualmente as músicas enquanto elas vão sendo tocadas. Muitos softwares são capazes de montar playlists de forma automática baseando-se nos mais diversos modelos, sendo este um aspecto muito importante de aplicações como Last.fm, Deezer, Spotify, etc. Muitos pesquisadores na área de Recuperação de Informação Musical (MIR) têm dedicado esforços no desenvolvimento de modelos geradores cada vez melhores,entretanto as atuai sformas de validação são reconhecidamente ineficientes e métodos considerados padrão possuem graves limitações. Neste trabalho, investigamos as percepções de DJs (pessoas que criam playlists para discotecagem em festas) sobre playlists automaticamente geradas por dois modelos diferentes, focando nas características relacionadas à criação de playlists identificadas nas amostras apresentadas, nas expectativas em relação a playlists geradas automaticamente em contraponto às criadas por outras pessoas e se e de qual forma percebe-se diferenças entre os itens criados pelos diferentes geradores. Foi realizada uma pesquisa qualitativa onde DJs de diversas localidades participaram de in-depth interviews. Foram colhidos relatos de experiências relacionadas à criação de playlists para discotecagem ou outras ocasiões, do uso desoftwares paraedição, execução e geração de playlists e dos hábitos de consumo de playlists. Entrevistados foram também apresentados a amostras de playlists de dois geradores e suas impressões foram colhidas. Concluímos que, ainda que de forma não explícita, os entrevistados conseguiram caracterizar e dar contexto aos diferentes geradores. Além disso playlists são percebidas como mais humanas quando eles conseguem identificar uma única motivação forte, uma única temática que norteia o agrupamento e encadeamento de músicas e que playlists menos homogêneas não são necessariamente percebidas como playlists ruins e são muitas vezes entendidas como surpresas positivas.

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 2014-06-12T15:58:32Z (GMT). No. of bitstreams: 2 arquivo4647_1.pdf: 2182294 bytes, checksum: 356178597c2bf16867ecf53d523ac6f8 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Sistemas de Recomendação permitem que sites de Comércio Eletrônico sugiram produtos aos consumidores provendo informações relevantes que os ajudem no processo de compra. Para isso é necessária a aquisição e a adequada utilização do perfil do usuário. O processo de aquisição pode ser implícito (comprar um livro ou consultar um item em uma loja on-line) ou explícito (dar uma nota a um filme ou recomendar um artigo a um amigo). Já as soluções propostas para o segundo problema podem ser classificadas em duas categorias principais com relação ao tipo de filtragem adotada: Filtragem Baseada em Conteúdo (baseia-se na análise da correlação entre o conteúdo dos itens com o perfil do usuário) e Filtragem Colaborativa (baseada na correlação de perfis de usuários). Tais técnicas possuem limitações, como escalabilidade na primeira abordagem e latência na segunda. Contudo, elas são complementares, o que impulsiona o surgimento de filtragens híbridas, cujo foco é aproveitar o melhor de cada método. Todavia, as filtragens híbridas não superam completamente os problemas principais de ambos os métodos. A motivação deste trabalho surge do desafio de superar os problemas principais existentes nos métodos de Filtragem Baseada em Conteúdo. Para isso, o trabalho concentra-se no domínio de recomendação de filmes, caracterizado por atributos complexos, como sinopse, e no qual predomina uma aquisição explícita do perfil do usuário. Diante disso, o presente trabalho apresenta um novo método de filtragem de informação baseado nas teorias de Análise de Dados Simbólicos. Na abordagem proposta o perfil é modelado através de um conjunto de descrições simbólicas modais que sumarizam as informações dos itens previamente avaliados. Uma função de dissimilaridade que leva em conta as diferenças em posição e em conteúdo foi criada a fim de possibilitar a comparação entre um novo item e o perfil do usuário. Para avaliar o desempenho deste novo método foi modelado um ambiente experimental baseado no EachMovie e definida uma metodologia para avaliação dos resultados. Para fins de comparação é utilizada a filtragem de informação por conteúdo baseado no algoritmo dos k Vizinhos Mais Próximos (kNN). A construção de um ambiente experimental de avaliação do modelo permitiu diagnosticar estatisticamente o melhor desempenho da filtragem baseada em dados simbólicos modais, tanto em velocidade quanto em memória, com relação ao método baseado no kNN