• 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
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.3.2020.tde-28022020-111422
Documento
Autor
Nombre completo
Ricardo Mitollo Bertani
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Paulo, 2019
Director
Tribunal
Costa, Anna Helena Reali (Presidente)
Peres, Sarajane Marques
Pisani, Paulo Henrique
Título en portugués
Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
Palabras clave en portugués
Algoritmos baseados em difusão
Algoritmos e estruturas de dados
Aprendizado computacional
Esparsidade dos dados
Inteligência artificial
Perfil do usuário
Personalidade
Sistemas de recomendação
Resumen en portugués
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.
Título en inglés
Combining novelty and popularity on personalized recommendations via user profile learning.
Palabras clave en inglés
Data sparsity
Diffusionbased algorithms
Machine learning
Recommender systems
User Profile
Resumen en inglés
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.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2020-02-28
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2020. Todos los derechos reservados.