Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2017 / Made available in DSpace on 2017-09-26T04:19:59Z (GMT). No. of bitstreams: 1
348077.pdf: 1624164 bytes, checksum: d2d159741b88a6b531e03ba8d6c5b126 (MD5)
Previous issue date: 2017 / A recomendação de itens para usuários é uma tarefa comum no cotidiano. Tal recomendação existe desde um vendedor de uma loja, quando sugere roupas ao cliente, até aplicativos como o Netflix, que sugere filmes para os usuários. Em sistemas de recomendação, é necessário cada vez mais levar em consideração diversos fatores para que sejam recomendados itens aos usuários. No contexto deste trabalho, tais fatores são os critérios, sendo que diversos deles devem ser levados em consideração na recomendação. Além disso, alguns desses critérios podem ser mais importantes que os demais e essa importância pode variar de usuário para usuário. Na literatura, é comum encontrar abordagens que, considerando avaliações prévias de usuários para determinados itens e os critérios desses itens, infere quais avaliações o usuário forneceria para outros itens e critérios de itens. Contudo, sabe-se que as bases de dados de avaliações de um sistema de recomendação costumam ser esparsas, ou seja, apenas uma pequena parcela das avaliações são conhecidas. Esse problema, conhecido como esparsidade de dados, faz com que seja lenta a predição de todas as avaliações possíveis. Neste trabalho, é proposto que se trabalhe com dois conceitos distintos de avaliações de itens: \textit{ratings} explícitos, fornecidos explicitamente pelos usuários, e \textit{ratings} implícitos, inferidos pelo sistema. Cada \textit{rating} está relacionado a um critério e, para que seja possível identificar quais critérios são mais importantes, cada um dos critérios é relacionado a um peso. Para se ajustar os pesos dos critérios, é proposto um problema de otimização que é solucionado via algoritmo genético. Ao se utilizar ajuste de pesos, combinado com o uso de \textit{ratings} implícitos e explícitos, é possível reduzir consideravelmente o tempo de ajuste do sistema de recomendação, bem como aumentar a precisão das recomendações em cenários mais esparsos. Em cenários menos esparsos, ainda é possível reduzir consideravelmente o tempo de ajuste do sistema, mantendo-se a precisão das recomendações com valores próximos à precisão de outros trabalhos da literatura. / Abstract: From a seller to applications like Netflix we can witness a recommendation. So, everyday there is examples of recommendation for a user. However, for a precise recommendation, a set of features are needed to be taken into account. Features like geographical localization, price of items, who acquired those items and so on. So, for a user, multiple criteria must be used in a recommendation. Moreover, some of those criteria may be more important than others. In order to identify which criteria are more important the others, we propose that each criterion is related to a weight. We propose, to identify those wheights, to adjust the weight of the criterion, by proposing an optimization problem that is solved by a genetic algorithm. Another problem we propose to mitigate is the data sparsity problem. In ratings database, usually there are only a few ratings, comparing to the total of possible ratings. In literature, an approach to mitigate this problem is, considering previous evaluations for items and items criteria from users, we can estimate which evaluation the users would provide to the items or the items criteria. Once there are a lot of ratings to estimate, the data sparsity problem makes the prediction for all possible evaluations to be slow. So, we propose the use of two different domains of ratings: explicit rating, explicitly provided by the user, and implicit rating, inferred by the system. Each rating is related with a criterion. Combining the weight adjustment with the use of implicit and explicit rating, it is possible to decrease the time needed for the recommender system adjustment, as well as increase the precision of recommendation in a sparse scenario. In a sparser scenario, when we remove evaluations maded by the users, it is still possible to decrease the time of adjustment, keeping the precision of our approach close to other baselines approaches.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/179797 |
| Date | January 2017 |
| Creators | Jesus, Felipe Born de |
| Contributors | Universidade Federal de Santa Catarina, Dorneles, Carina Friedrich |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | 78 p.| il., grafs., tabs. |
| Source | reponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds