• 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
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.3.2020.tde-28022020-111422
Documento
Autor
Nome completo
Ricardo Mitollo Bertani
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2019
Orientador
Banca examinadora
Costa, Anna Helena Reali (Presidente)
Peres, Sarajane Marques
Pisani, Paulo Henrique
Título em português
Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
Palavras-chave em português
Algoritmos baseados em difusão
Algoritmos e estruturas de dados
Aprendizado computacional
Esparsidade dos dados
Inteligência artificial
Perfil do usuário
Personalidade
Sistemas de recomendação
Resumo em português
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 em inglês
Combining novelty and popularity on personalized recommendations via user profile learning.
Palavras-chave em inglês
Data sparsity
Diffusionbased algorithms
Machine learning
Recommender systems
User Profile
Resumo em inglês
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.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2020-02-28
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2020. Todos os direitos reservados.