[pt] Os sistemas de recomendação são um tema de pesquisa constante devido a
sua grande quantidade de aplicações práticas. Estes sistemas podem ser abordados
de diversas maneiras, sendo uma das mais utilizadas a filtragem colaborativa, em
que para recomendar um item a um usuário são utilizados dados de
comportamento de outros usuários. Porém, nem sempre os algoritmos de filtragem
colaborativa atingem níveis de precisão necessários para serem utilizados em
aplicações reais. Desta forma este trabalho tem como objetivo avaliar o
desempenho da análise probabilística de semântica latente (PLSA) aplicado a
sistemas de recomendação. Este modelo identifica grupos de usuários com
comportamento semelhante através de atributos latentes, permitindo que o
comportamento dos grupos seja utilizado na recomendação. Para verificar a
eficácia do método, apresentamos experimentos com o PLSA utilizando os
problemas de recomendação de anúncios na web e a recomendação de filmes.
Evidenciamos uma melhoria de 18,7% na precisão da recomendação de anúncios
na web e 3,7% de melhoria no erro quadrático sobre a Média das Médias para o
corpus do Netflix. Além dos experimentos, o algoritmo foi implementado de
forma flexível e reutilizável, permitindo adaptação a outros problemas com
esforço reduzido. Tal implementação também foi incorporada como um módulo
do LearnAds, um framework de recomendação de anúncios na web. / [en] Recommender systems are a constant research topic because
of their large
number of practical applications. There are many approaches
to address these
problems, one of the most widely used being collaborative
filtering, in which in
order to recommend an item to a user, data of other users`
behaviors are
employed. However, collaborative filtering algorithms do
not always reach levels
of precision required for the use in real applications.
Within this context, the
present work aims to evaluate the performance of the
probabilistic latent semantic
analysis (PLSA) applied to recommender systems. This model
identifies groups of
users with similar behaviors through latent attributes,
allowing the use of these
behaviors in the recommendation. To check the effectiveness
of the method, there
were presented experiments with problems of both web ad
recommending and
film recommending. An improvement of 18,7% were found in
the accuracy of the
recommendation of ads on the web and we also found 3.7% of
improvement in
Root Mean Square Error over the Means of Means baseline
system for the Netflix
corpus. Apart from the aforementioned experiments, the
algorithm was
implemented in a flexible and reusable way, allowing its
adaptation to other
problems with reduced effort. This implementation has also
been incorporated as
a module of LearnAds, a framework for the recommendation of
ads on the web.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:13073 |
Date | 03 March 2009 |
Creators | DIOGO SILVEIRA MENDONCA |
Contributors | RUY LUIZ MILIDIU |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | English |
Type | TEXTO |
Page generated in 0.0017 seconds