Made available in DSpace on 2014-06-12T15:59:37Z (GMT). No. of bitstreams: 2
arquivo5346_1.pdf: 1776923 bytes, checksum: f744986693684a54ed4294ce35659f25 (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2006 / Nos dias de hoje, a quantidade de informação disponível é muito maior do que
nossa capacidade de tratá-la. Vemos-nos diante de centenas de canais de televisão, dezenas
de filmes para ver e milhares de produtos nas lojas de comércio eletrônico. Quando
precisamos tomar uma decisão e não conhecemos todas as alternativas possíveis, uma
abordagem bastante freqüente é buscar a recomendação de outras pessoas.
Na década de 1990 surgiram sistemas computacionais capazes de automatizar o
processo de recomendações. Em geral os Sistemas de Recomendação, como ficaram
conhecidos, coletam indicadores das preferências dos usuários para fornecer-lhes uma visão
personalizada da informação. Uma abordagem amplamente empregada nos Sistemas de
Recomendação é a Filtragem Colaborativa (FC), em que a produção das sugestões é feita
com base na similaridade entre usuários. Assim, para prever a relevância que um item i terá
para um usuário alvo u, o sistema se baseia nas opiniões dos usuários com preferências
similares às de u sobre i.
Um problema freqüente nos Sistemas de Recomendação diz respeito à chegada de
um novo usuário. Nessa situação, o sistema não conhece nada a respeito das preferências
dele e também não é capaz de gerar-lhe recomendações. Nos sistemas que utilizam FC isto
também ocorre, pois a similaridade entre os usuários é computada com base nos itens que
eles avaliaram em comum. Para amenizar esse problema, uma solução é que haja uma etapa
inicial na utilização do sistema em que sejam apresentados alguns itens para o usuário
novato avaliar. No entanto isso precisa ser feito de maneira eficiente, para que o sistema
adquira o máximo de informação com um mínimo de esforço do usuário.
O paradigma de aprendizagem em que o algoritmo controla os exemplos utilizados
no treinamento para otimizar o processo é chamado de aprendizagem ativa. A aplicação
dessa técnica para melhorar o processo de aquisição das preferências do usuário em
sistemas de FC tem sido alvo de vários estudos. Em um deles foi proposto o método
ActiveCP que combinava a controvérsia e da popularidade de um item para determinar a
ordem em que seriam apresentados para serem avaliados pelo usuário. O método
apresentou bons resultados experimentais.
Neste trabalho, é investigada a utilização de uma nova medida de controvérsia capaz
de resolver várias das restrições presentes na metodologia originalmente proposta no
ActiveCP. É também apresentada uma nova metodologia, mais simples, com uma melhor
aplicabilidade prática e que mantém os ganhos de informação na aquisição das preferências
dos usuários obtidos pelo método original. Finalmente, a nova metodologia é avaliada em
uma base de usuários com avaliações de filmes que simula a base de dados de um sistema
em início de operação
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/2608 |
Date | January 2006 |
Creators | SAMPAIO, Igor Azevedo |
Contributors | RAMALHO, Geber Lisboa |
Publisher | Universidade Federal de Pernambuco |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds