Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2017-09-13T16:22:48Z
No. of bitstreams: 1
Dissertação Um estudo comparativo.pdf: 3269969 bytes, checksum: 0be6afcf0661e75bf4300977e37dd0cb (MD5) / Made available in DSpace on 2017-09-13T16:22:48Z (GMT). No. of bitstreams: 1
Dissertação Um estudo comparativo.pdf: 3269969 bytes, checksum: 0be6afcf0661e75bf4300977e37dd0cb (MD5)
Previous issue date: 2017-11-17 / Capes / Sites de Compras Coletivas (SCC) correspondem a um tipo específico de site que tem como objetivo divulgar ofertas (produtos, serviços ou viagens) com alto valor de desconto, por um tempo determinado, o que proporciona ao vendedor das ofertas um maior número de negociações em um curto período de tempo. Para atingir esse objetivo, os SCC utilizam estratégias de marketing que vão desde a divulgação das ofertas em redes sociais até o envio de e-mails diários para os usuários cadastrados. No entanto, a divulgação das ofertas para a maioria dos SCC é realizada de forma não personalizada, de maneira que todos os usuários recebem diariamente o mesmo conjunto de ofertas divulgadas. Logo, por falta de personalização dessa divulgação, os usuários acabam por receber uma grande quantidade de ofertas irrelevantes ou desinteressantes. Nesse sentido, propomos o estudo de um Sistema de Recomendação que leve em consideração aspectos importantes para os usuários de SCC, aspectos estes definidos a partir da análise da base de dados real de uma empresa que atua no domínio de compras coletivas. Neste estudo, avaliamos quatro algoritmos aplicados aos dados desse domínio, dois desses algoritmos considerados estado da arte em recomendação. Discutimos os resultados obtidos a partir dos experimentos, indicando qual dos algoritmos apresenta maior eficácia no domínio estudado, de acordo com as métricas definidas neste trabalho. A avaliação do trabalho foi realizada por meio experimental em parceria com a empresa QueroDois, sediada em Ribeirão Preto - São Paulo. / Daily Deals Sites (DDSs) correspond to a specific website type designed to advertise offers (products, services or travel) at a significantly reduced prices, for a certain time, so the seller of the offers can make a large number of negotiations in a short period of time. To achieve this goal, the DDSs use marketing strategies ranging from advertising the offers on social network until to sending daily e-mails to registered users. However, the disclosure of the offers for most DDSs is not performed in a personalized manner, so all users receive the same set of daily offers. Thus, because of the lack of customization of this disclosure, users end up receiving a large amount of irrelevant or uninteresting offerings. Accordingly, we propose the study of a Recommender System that takes into account important aspects of users of DDSs. This aspects are defined by analyzing the real database of a company engaged in the group of buying domain. We evaluated four algorithms applied to data in this domain, two of these considered state of the art on recommendation, and discuss the results obtained from the experiments, also indicating which of those algorithms presents better efficacy, according to the metrics defined in this work. The evaluation of this work was performed by experimental means in partnership with company QueroDois, based in Ribeirão Preto - São Paulo.
Identifer | oai:union.ndltd.org:IBICT/oai:localhost:riufcg/115 |
Date | 13 September 2017 |
Creators | COSTA, Filipe da Silva. |
Contributors | MARINHO, Leandro Balby., ANDRADE, Nazareno Ferreira de. |
Publisher | Universidade Federal de Campina Grande, PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO, UFCG, Brasil, Centro de Engenharia Elétrica e Informática - CEEI |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Biblioteca de Teses e Dissertações da UFCG, instname:Universidade Federal de Campina Grande, instacron:UFCG |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0701 seconds