Submitted by Erika Demachki (erikademachki@gmail.com) on 2015-03-24T21:17:09Z
No. of bitstreams: 3
Dissertação - Luiz Mario Lustosa Pascoal - 2014.pdf: 7280181 bytes, checksum: 68a6ac0602e3e51f6e6952bbd6916150 (MD5)
FunctionApproximator.zip: 2288624 bytes, checksum: 178c2e6a0b080b3d0548836974016236 (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Erika Demachki (erikademachki@gmail.com) on 2015-03-24T21:19:16Z (GMT) No. of bitstreams: 3
Dissertação - Luiz Mario Lustosa Pascoal - 2014.pdf: 7280181 bytes, checksum: 68a6ac0602e3e51f6e6952bbd6916150 (MD5)
FunctionApproximator.zip: 2288624 bytes, checksum: 178c2e6a0b080b3d0548836974016236 (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2015-03-24T21:19:16Z (GMT). No. of bitstreams: 3
Dissertação - Luiz Mario Lustosa Pascoal - 2014.pdf: 7280181 bytes, checksum: 68a6ac0602e3e51f6e6952bbd6916150 (MD5)
FunctionApproximator.zip: 2288624 bytes, checksum: 178c2e6a0b080b3d0548836974016236 (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5)
Previous issue date: 2014-08-22 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / With the development of web 2.0, social networks have achieved great space on the
internet, with that many users provide information and interests about themselves. There
are expert systems that make use of the user’s interests to recommend different products,
these systems are known as Recommender Systems. One of the main techniques of a
Recommender Systems is the Collaborative Filtering (User-based) which recommends
products to users based on what other similar people liked in the past. Therefore, this
work presents model approximation of functions that generates rankings, that through
a Genetic Algorithm, is able to learn an approximation function composed by different
social variables, customized for each Facebook user. The learned function must be able
to reproduce a ranking of people (friends) originally created with user’s information, that
apply some influence in the user’s decision. As a case study, this work discusses the
context of events through information regarding the frequency of participation of some
users at several distinct events. Two different approaches on learning and applying the
approximation function have been developed. The first approach provides a general model
that learns a function in advance and then applies it in a set of test data and the second
approach presents an specialist model that learns a specific function for each test scenario.
Two proposals for evaluating the ordering created by the learned function, called objective
functions A and B, where the results for both objective functions show that it is possible
to obtain good solutions with the generalist and the specialist approaches of the proposed
method. / Com o desenvolvimento da Web 2.0, as redes sociais têm conquistado grande espaço na
internet, com isso muitos usuários acabam fornecendo diversas informações e interesses
sobre si mesmos. Existem sistemas especialistas que fazem uso dos interesses do usuário
para recomendar diferentes produtos, esses sistemas são conhecidos como Sistemas de
Recomendação. Uma das principais técnicas de um Sistema de Recomendação é a Filtragem
Colaborativa (User-based) que recomenda produtos para seus usuários baseados
no que outras pessoas similares à ele tenham gostado no passado. Portanto, este trabalho
apresenta um modelo de aproximação de funções geradora de rankings que, através
de um Algoritmo Genético, é capaz de aprender uma função de aproximação composta
por diferentes atributos sociais, personalizada para cada usuário do Facebook. A função
aprendida deve ser capaz de reproduzir um ranking de pessoas (amigos) criado originalmente
com informações do usuário, que exercem certa influência na decisão do usuário.
Como estudo de caso, esse trabalho aborda o contexto de eventos através de informações
com relação a frequência de participação de alguns usuários em vários eventos distintos.
Foram desenvolvidas duas abordagens distintas para aprendizagem e aplicação da função
de aproximação. A primeira abordagem apresenta um modelo generalista, que previamente
aprende uma função e em seguida a aplica em um conjunto de dados de testes e a
segunda abordagem apresenta um modelo especialista, que aprende uma função específica
para cada cenário de teste. Também foram apresentadas duas propostas para avaliação
da ordenação criada pela função aprendida, denominadas funções objetivo A e B, onde
os resultados para ambas as funções objetivo A e B mostram que é possível obter boas
soluções com as abordagens generalista e especialista do método proposto.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.bc.ufg.br:tede/4345 |
| Date | 22 August 2014 |
| Creators | Pascoal, Luiz Mário Lustosa |
| Contributors | Camilo Junior, Celso Gonçalves, Camilo Junior, Celso Gonçalves, Rosa, Thierson Couto, Castro, Leandro Nunes de |
| Publisher | Universidade Federal de Goiás, Programa de Pós-graduação em Ciência da Computação (INF), UFG, Brasil, Instituto de Informática - INF (RG) |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/octet-stream, application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFG, instname:Universidade Federal de Goiás, instacron:UFG |
| Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
| Relation | -3303550325223384799, 600, 600, 600, 600, -7712266734633644768, 3671711205811204509, 2075167498588264571 |
Page generated in 0.003 seconds