Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-03-20T18:01:37Z
No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Dissertação_Anderson P. Santos.pdf: 2148188 bytes, checksum: 2339c727793bd9032b23e5bfc3926be7 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-03-20T18:02:00Z (GMT) No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Dissertação_Anderson P. Santos.pdf: 2148188 bytes, checksum: 2339c727793bd9032b23e5bfc3926be7 (MD5) / Made available in DSpace on 2018-03-20T18:02:00Z (GMT). No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Dissertação_Anderson P. Santos.pdf: 2148188 bytes, checksum: 2339c727793bd9032b23e5bfc3926be7 (MD5)
Previous issue date: 2017-09-01 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Recommend items based on similarity of interests (Collaborative Filtering) is attractive to many domains: books, movies, music, products and etc. However, it's not always works well due to the fact of collections of items as scattered as in companies such as Amazon, Netflix, Spotify, among others.
Clustering based collaborative filtering proposes greater scalability for very sparse collections, its premise is if the person a and person b like the same set of movies, then the person a probably will like other movies the person b likes. Clustering people into groups based on the items they bought, one can get good recommendations for items to be bought, in this way, predictions can be made by crowding people into groups, based on the movies they watched(user-based) and/or groups of movies which tend to be of the taste of the people the same interest(item-based).
The K-means is a classic clustering algorithm, being simple, efficient and widely used, however, it comes with some restrictions: the number of final groups must be defined a priori, very sensitive to the initial choice of centroids in the creation of groups, it can generate empty groups, among others.
The algorithm Affinity Propagation is an alternative to K-means, it is a recently proposed algorithm that has gained great popularity in areas of bioinformatics, presen-ting good results for problems like clustering DNA sequences, and being applied also for clustering of faces (image), collections of films and summarization of texts.
The document presents an approach of Recommender Systems based on clustering using Affinity Propagation in order to investigate whether the good results that the algorithm has in other areas are also valid for recommender systems area. / Recomendar itens baseados na similaridade de interesses (Filtragem Colaborativa) é atrativo para muitos domínios: livros, filmes, músicas, produtos e etc, mas isso nem sempre funciona bem devido ao fato das coleções de itens serem muitos esparsas, como ocorre em empresas como Amazon, Netflix, Spotify, entre outras. A Filtragem Colaborativa baseada em agrupamento propõe maior escalabilidade para coleções muito esparsas, sua premissa é que se a pessoa a e pessoa b gostam de um mesmo conjunto de filmes, então provavelmente a pessoa a gostara de outros filmes que a pessoa b gosta. Aglomerando pessoas em grupos baseados nos itens que elas compraram, pode-se obter boas recomendações de itens a serem comprados, dessa forma, as predições podem ser feitas aglomerando-se pessoas em grupos em função dos filmes que elas assistem (agrupamento baseado no usuário) e/ou grupos de filmes que tendem a ser do gosto das mesmas pessoas (agrupamento baseado no item).
O K-means é um algoritmo clássico de agrupamento, sendo simples, eficiente e amplamente utilizado, entretanto podemos citar algumas limitações em seu uso, como, o número de grupos que deve ser definido a priori, a sensibilidade a escolha inicial dos centróides na criação dos grupos, a possibilidade de gerar grupos vazios, entre outros. O algoritmo Propagação de Afinidades é uma alternativa ao k-means, é um algo-ritmo proposto recentemente que ganhou grande popularidade na aplicação em áreas da bioinformática, apresentando bons resultados para problemas de agrupamentos de sequencias de DNA, mas também vem sendo aplicado em outras áreas, como agrupa-mento de faces (imagem), coleções de filmes e na sumarização de textos.
Neste trabalho é apresentada a implementação do algoritmo Propagação de Afinidades em sistemas de recomendação baseados em agrupamento, com o intuito de investigar se os bons resultados que o algoritmo tem mostrado em outras áreas são válidos também para a área de recomendação de vídeos baseada em agrupamento, realizando comparações entre coleções de Filmes por meio de métricas de avaliação de predição para sistemas de recomendação.
| Identifer | oai:union.ndltd.org:IBICT/oai:http://localhost:tede/6258 |
| Date | 01 September 2017 |
| Creators | Santos, Anderson Pimentel dos, 92-99353-1716 |
| Contributors | secretaria@icomp.ufam.edu.br, Moura, Edleno Silva de Moura, Melo, César Augusto Viana, Cavalcanti, João Marcos Bastos |
| Publisher | Universidade Federal do Amazonas, Programa de Pós-graduação em Informática, UFAM, Brasil, Instituto de Computação |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFAM, instname:Universidade Federal do Amazonas, instacron:UFAM |
| Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
| Relation | -4944679560386888838, 500, 500, 4163267508810754609 |
Page generated in 0.0028 seconds