• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Master's Dissertation
DOI
https://doi.org/10.11606/D.3.2020.tde-28022020-111422
Document
Author
Full name
Ricardo Mitollo Bertani
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2019
Supervisor
Committee
Costa, Anna Helena Reali (President)
Peres, Sarajane Marques
Pisani, Paulo Henrique
Title in Portuguese
Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
Keywords in Portuguese
Algoritmos baseados em difusão
Algoritmos e estruturas de dados
Aprendizado computacional
Esparsidade dos dados
Inteligência artificial
Perfil do usuário
Personalidade
Sistemas de recomendação
Abstract in Portuguese
Sistemas de recomendação têm sido amplamente utilizados por grandes empresas do segmento de e-commerce como ferramenta de auxílio na busca de conteúdos relevantes de acordo com as preferências particulares dos usuários. Uma ampla variedade de algoritmos tem sido apresentada na literatura com o objetivo de aprimorar o processo de geração de recomendações; em particular, destacam-se aqueles baseados em filtragem colaborativa, os quais ainda falham em dados esparsos, afetando a qualidade das recomendações. Para mitigar essa lacuna, um algoritmo híbrido baseado em difusão foi proposto na literatura; no entanto, este algoritmo não diferencia os usuários de acordo com seus perfis. Nesta pesquisa, um novo algoritmo é apresentado para o aprendizado do perfil dos usuários e consequente geração de recomendações personalizadas através de difusão, combinando itens pouco conhecidos (novidade) a itens populares. Os experimentos realizados em três conjuntos de dados bem conhecidos na literatura mostram que os resultados superam aqueles obtidos pelo algoritmo original baseado em difusão, assim como os obtidos pelo algoritmo tradicional colaborativo, sob as mesmas configurações.
Title in English
Combining novelty and popularity on personalized recommendations via user profile learning.
Keywords in English
Data sparsity
Diffusionbased algorithms
Machine learning
Recommender systems
User Profile
Abstract in English
Recommender systems have been widely used by large companies in the ecommerce segment as an aid tool in finding relevant content according to users' particular preferences. A wide variety of algorithms have been presented in the literature to improve the recommendation generation process; In particular, those based on collaborative filtering, which still fail with sparse data, affecting the quality of recommendations. In order to mitigate this gap, a diffusion-based hybrid algorithm has been proposed in the literature; However, this algorithm does not differentiate users according to their profiles. In this research, a new algorithm is presented for learning the users profile and consequent generation of personalized recommendations through diffusion, combining little known items (novelty) with popular items. Experiments performed on three well-known data sets in the literature show that the results outperform those obtained by the original diffusion-based algorithm, as well as those obtained by the traditional collaborative algorithm, under the same configurations.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2020-02-28
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2020. All rights reserved.