A oferta de produtos,informação e serviços a partir de perfis de usuários tem tornado os sistemas de recomendação cada vez mais presentes na Web, aumentando a facilidade de escolha e de permanência dos usuários nestes sistemas. Entretanto, existem otimizações a serem feitas principalmente com relação à modelagem do perfil do usuário. Geralmente, suas preferências são modeladas de modo superficial, devido à escassez das informações coletadas,como notas ou comentários, ou devido a informações indutivas que estão suscetíveis a erros. Esta dissertação propõe uma ferramenta de recomendação baseado em interações multimodais, capaz de combinar informações de usuários processadas individualmente por algoritmos de recomendação tradicionais. Nesta ferramenta desenvolveram-se quatro técnicas de combinação afim fornecer aos sistemas de recomendação, subsídios para melhoria na qualidade das predições em diversos domínios. / Providing products, information and services from user profiles has made the recommendation systems to be increasingly present, increasing the ease of selection and retention of users in Webservices. However, there are optimizations to be made in these systems mainly with respect to modeling the user profile. Generally, the preferences are modeled superficially, due to the scarcity of information collected, as notes or comments, or because of inductive information that is susceptible to errors. This work proposes are commendation tool based on multimodal interactions that combines users\' interactions, wich are processed individually by traditional recommendation algorithms. In this tool developed four combination of techniques in order to provide recommendation systems subsidies to improve the quality of predictions.

A grande quantidade de dados gerada em diversas áreas do conhecimento cria a necessidade do desenvolvimento de técnicas de mineração de dados cada vez mais eficientes e eficazes. Técnicas de agrupamento têm sido utilizadas com sucesso em várias áreas, especialmente naquelas em que não há conhecimento prévio sobre a organização dos dados. Contudo, a utilização de diferentes algoritmos de agrupamento, ou variações de um mesmo algoritmo, pode gerar uma ampla variedade de resultados. Tamanha variedade cria a necessidade de métodos para avaliar e selecionar bons resultados. Uma forma de avaliar esses resultados consiste em utilizar índices de validação de agrupamentos. Entretanto, uma grande diversidade de índices de validação foi proposta na literatura, o que torna a escolha de um único índice de validação uma tarefa penosa caso os desempenhos dos índices comparados sejam desconhecidos para a classe de problemas de interesse. Com a finalidade de obter um consenso entre resultados, é possível combinar um conjunto de agrupamentos ou índices de validação em uma única solução final. Combinações de agrupamentos (clustering ensembles) foram bem sucedidas em obter soluções robustas a variações no cenário de aplicação, o que faz do uso de comitês de agrupamentos uma alternativa interessante para encontrar soluções de qualidade razoável, segundo diferentes índices de validação. Adicionalmente, utilizar uma combinação de índices de validação pode tornar a avaliação de agrupamentos mais completa, uma vez que uma maioria dos índices combinados pode compensar o fraco desempenho do restante. Em alguns casos, não é possível lidar com um único conjunto de dados centralizado, por razões físicas ou questões de privacidade, o que gera a necessidade de distribuir o processo de mineração. Combinações de agrupamentos também podem ser estendidas para problemas de agrupamento de dados distribuídos, uma vez que informações sobre os dados, oriundas de diferentes fontes, podem ser combinadas em uma única solução global. O principal objetivo desse trabalho consiste em investigar técnicas de combinação de agrupamentos e de índices de validação aplicadas na seleção de agrupamentos para combinação e na mineração distribuída de dados. Adicionalmente, algoritmos evolutivos de agrupamento são estudados com a finalidade de selecionar soluções de qualidade dentre os resultados obtidos. As técnicas desenvolvidas possuem complexidade computacional reduzida e escalabilidade, o que permite sua aplicação em grandes conjuntos de dados ou cenários em que os dados encontram-se distribuídos / The large amount of data resulting from different areas of knowledge creates the need for development of data mining techniques increasingly efficient and effective. Clustering techniques have been successfully applied to several areas, especially when there is no prior knowledge about the data organization. Nevertheless, the use of different clustering algorithms, or variations of the same algorithm, can generate a wide variety of results, what raises the need to create methods to assess and select good results. One way to evaluate these results consists on using cluster validation indexes. However, a wide variety of validation indexes was proposed in the literature, which can make choosing a single index challenging if the performance of the compared indexes is unknown for the application scenario. In order to obtain a consensus among different options, a set of clustering results or validation indexes can be combined into a single final solution. Clustering ensembles successfully obtained results robust to variations in the application scenario, which makes them an attractive alternative to find solutions of reasonable quality, according to different validation indexes. Moreover, using a combination of validation indexes can promote a more powerful evaluation, as the majority of the combined indexes can compensate the poor performance of individual indexes. In some cases, it is not possible to work with a single centralized data set, for physical reasons or privacy concerns, which creates the need to distribute the mining process. Clustering ensembles can be extended to distributed data mining problems, since information about the data from distributed sources can be combined into a single global solution. The main objective of this research resides in investigating combination techniques for validation indexes and clustering results applied to clustering ensemble selection and distributed clustering. Additionally, evolutionary clustering algorithms are studied to select quality solutions among the obtained results. The techniques developed have scalability and reduced computational complexity, allowing their usage in large data sets or scenarios with distributed data

A oferta de produtos,informação e serviços a partir de perfis de usuários tem tornado os sistemas de recomendação cada vez mais presentes na Web, aumentando a facilidade de escolha e de permanência dos usuários nestes sistemas. Entretanto, existem otimizações a serem feitas principalmente com relação à modelagem do perfil do usuário. Geralmente, suas preferências são modeladas de modo superficial, devido à escassez das informações coletadas,como notas ou comentários, ou devido a informações indutivas que estão suscetíveis a erros. Esta dissertação propõe uma ferramenta de recomendação baseado em interações multimodais, capaz de combinar informações de usuários processadas individualmente por algoritmos de recomendação tradicionais. Nesta ferramenta desenvolveram-se quatro técnicas de combinação afim fornecer aos sistemas de recomendação, subsídios para melhoria na qualidade das predições em diversos domínios. / Providing products, information and services from user profiles has made the recommendation systems to be increasingly present, increasing the ease of selection and retention of users in Webservices. However, there are optimizations to be made in these systems mainly with respect to modeling the user profile. Generally, the preferences are modeled superficially, due to the scarcity of information collected, as notes or comments, or because of inductive information that is susceptible to errors. This work proposes are commendation tool based on multimodal interactions that combines users\' interactions, wich are processed individually by traditional recommendation algorithms. In this tool developed four combination of techniques in order to provide recommendation systems subsidies to improve the quality of predictions.

A grande quantidade de dados gerada em diversas áreas do conhecimento cria a necessidade do desenvolvimento de técnicas de mineração de dados cada vez mais eficientes e eficazes. Técnicas de agrupamento têm sido utilizadas com sucesso em várias áreas, especialmente naquelas em que não há conhecimento prévio sobre a organização dos dados. Contudo, a utilização de diferentes algoritmos de agrupamento, ou variações de um mesmo algoritmo, pode gerar uma ampla variedade de resultados. Tamanha variedade cria a necessidade de métodos para avaliar e selecionar bons resultados. Uma forma de avaliar esses resultados consiste em utilizar índices de validação de agrupamentos. Entretanto, uma grande diversidade de índices de validação foi proposta na literatura, o que torna a escolha de um único índice de validação uma tarefa penosa caso os desempenhos dos índices comparados sejam desconhecidos para a classe de problemas de interesse. Com a finalidade de obter um consenso entre resultados, é possível combinar um conjunto de agrupamentos ou índices de validação em uma única solução final. Combinações de agrupamentos (clustering ensembles) foram bem sucedidas em obter soluções robustas a variações no cenário de aplicação, o que faz do uso de comitês de agrupamentos uma alternativa interessante para encontrar soluções de qualidade razoável, segundo diferentes índices de validação. Adicionalmente, utilizar uma combinação de índices de validação pode tornar a avaliação de agrupamentos mais completa, uma vez que uma maioria dos índices combinados pode compensar o fraco desempenho do restante. Em alguns casos, não é possível lidar com um único conjunto de dados centralizado, por razões físicas ou questões de privacidade, o que gera a necessidade de distribuir o processo de mineração. Combinações de agrupamentos também podem ser estendidas para problemas de agrupamento de dados distribuídos, uma vez que informações sobre os dados, oriundas de diferentes fontes, podem ser combinadas em uma única solução global. O principal objetivo desse trabalho consiste em investigar técnicas de combinação de agrupamentos e de índices de validação aplicadas na seleção de agrupamentos para combinação e na mineração distribuída de dados. Adicionalmente, algoritmos evolutivos de agrupamento são estudados com a finalidade de selecionar soluções de qualidade dentre os resultados obtidos. As técnicas desenvolvidas possuem complexidade computacional reduzida e escalabilidade, o que permite sua aplicação em grandes conjuntos de dados ou cenários em que os dados encontram-se distribuídos / The large amount of data resulting from different areas of knowledge creates the need for development of data mining techniques increasingly efficient and effective. Clustering techniques have been successfully applied to several areas, especially when there is no prior knowledge about the data organization. Nevertheless, the use of different clustering algorithms, or variations of the same algorithm, can generate a wide variety of results, what raises the need to create methods to assess and select good results. One way to evaluate these results consists on using cluster validation indexes. However, a wide variety of validation indexes was proposed in the literature, which can make choosing a single index challenging if the performance of the compared indexes is unknown for the application scenario. In order to obtain a consensus among different options, a set of clustering results or validation indexes can be combined into a single final solution. Clustering ensembles successfully obtained results robust to variations in the application scenario, which makes them an attractive alternative to find solutions of reasonable quality, according to different validation indexes. Moreover, using a combination of validation indexes can promote a more powerful evaluation, as the majority of the combined indexes can compensate the poor performance of individual indexes. In some cases, it is not possible to work with a single centralized data set, for physical reasons or privacy concerns, which creates the need to distribute the mining process. Clustering ensembles can be extended to distributed data mining problems, since information about the data from distributed sources can be combined into a single global solution. The main objective of this research resides in investigating combination techniques for validation indexes and clustering results applied to clustering ensemble selection and distributed clustering. Additionally, evolutionary clustering algorithms are studied to select quality solutions among the obtained results. The techniques developed have scalability and reduced computational complexity, allowing their usage in large data sets or scenarios with distributed data

Submitted by Renata Lopes (renatasil82@gmail.com) on 2015-12-16T14:08:06Z No. of bitstreams: 1 michellesoarespereira.pdf: 4441399 bytes, checksum: 19c7a2a01a8d195e44aa21afaacc4de5 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2015-12-16T15:15:37Z (GMT) No. of bitstreams: 1 michellesoarespereira.pdf: 4441399 bytes, checksum: 19c7a2a01a8d195e44aa21afaacc4de5 (MD5) / Made available in DSpace on 2015-12-16T15:15:37Z (GMT). No. of bitstreams: 1 michellesoarespereira.pdf: 4441399 bytes, checksum: 19c7a2a01a8d195e44aa21afaacc4de5 (MD5) Previous issue date: 2015-05-29 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Este trabalho aborda a análise de protocolos de cooperação para melhorar o desempenho de sistemas powerline communication (PLC). O estudo se baseia em um conjunto de dados de canais PLC in-home. As análises discutidas abordam a capacidade teórica do canal quando protocolos amplify-and-forward (AF) e decode-and-forward (DF) são considerados. Estudos similares são realizados a respeito da taxa máxima de dados adquirida quando Hermitian − symmetric orthogonal frequency division multiplexing (HS-OFDM) juntamente com as técnicas equal gain combining (EGC), selection combining (SC) and maximal ratio combining (MRC) são considerados. Além disso, são analisadas as influências da largura de banda de freqüência e da alocação ótima e uniforme da potência de transmissão. Os resultados obtidos mostram que a distância relativa entre os nós da fonte, relay e destino impactam severamente no desempenho do sistema. Os resultados numéricos revelam uma gama de potência de transmissão ótima e de frequência em que a melhoria pode ser verificada. Tambà c m observa-se que a vantagem do protocolo DF relacionada com a do protocolo AF termina quando o erro de detecção de símbolo no relay atinge um limiar. Adicionalmente, mostra-se que as técnicas de combinação, MRC e SC apresentam resultados semelhantes. Embora MRC ofereça desempenho ligeiramente melhor, considerando a complexidade computacional, recomenda-se a técnica SC. Finalmente, uma análise de máxima taxa de dados adquirida, considerando HS-OFDM com equalização baseada nos critérios zero forcing e minimum mean square error, mostra que o primeiro oferece quase o mesmo desempenho que o último. / This work focuses on analyses of cooperative protocols to enhance the performance of in-home power line communication (PLC) systems based on a data set consisting of measurements of in-home PLC channels. The discussed analyses address theoretical channel capacity when amplify-and-forward (AF) and decode-and-forward (DF) protocols are considered. Similar investigations are performed for the maximum data rate attained by using Hermitian-symmetric orthogonal frequency division multiplexing (HS-OFDM) together with equal gain combining (EGC), selection combining (SC) and maximal ratio combining (MRC) techniques. Also, the influences of optimally and uniformly allocated transmission power and frequency bandwidth are analyzed. The attained results show that the relative distance among source, relay, and destination nodes severely impacts the system performance. Also, numerical results reveal a range of optimal transmission power and frequency bandwidth in which improvement can be verified. Moreover, it is observed that the advantage of the DF protocol related to AF one ends, when the symbol detection error achieves a threshold. Additionally, it is shown that among the combining techniques, MRC and SC present similar results with MRC offering slightly better performance, but considering computational complexity, a decision in favor of SC is recommended. Finally, a maximum data rate analysis of HS-OFDM with frequency domain equalizer based on zero forcing and minimum mean square error shows that the former scheme offers almost the same performance as the latter.