Machine Learning num Sistema de Recomendações

Detalhes bibliográficos
Autor(a) principal: Garcia, João Miguel Gonçalves
Data de Publicação: 2015
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/35644
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra.
id RCAP_23cfe4821aec3305e618f95ee40b274b
oai_identifier_str oai:estudogeral.uc.pt:10316/35644
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Machine Learning num Sistema de RecomendaçõesCity Area ClusteringMachine LearningRecommendation SystemDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra.Hoje em dia, dada a grande quantidade de diferentes tipos de informação, é possível desenvolver sistemas inteligentes que aprendem usando este tipo de informação e são capazes de realizar certas tarefas melhor que sistemas estáticos. O presente trabalho reporta o desenvolvimento de um sistema de recomendação para Livin’X, uma plataforma para o mercado imobiliário que pertence à Ubiwhere. A intenção é oferecer aos utilizadores recomendações de qualidade baseado não só na informação das casas, mas também nas comunidades que os utilizadores formam e, mais importante, a preferencia que os utilizadores mostram pelas áreas onde as casa estão inseridas. Neste trabalho foi feita uma revisão do estado da arte de sistemas de recomendação, identificando os princípios e técnicas mais utilizadas. Baseado neste estudo, foi proposto, implementado e testado uma arquitetura para um sistema de recomendação para o mercado imobiliário. Procurou-se e guardou-se informação de utilizadores e da cidade para alimentar o sistema. Um algoritmo genético que agrupa áreas da cidade foi desenvolvido, permitindo o cálculo da preferência dos utilizadores por dada área da cidade onde dada casa está inserida. Mais tarde, a semelhança entre casas foi calculada usando tanto as suas características como as interações dos utilizadores com elas. Finalmente, usando Collaborative Filtering, o sistema desenvolvido foi capaz de criar recomendações mais eficazmente e de melhor qualidade que o motor de recomendações previamente em uso no Livin’X. Neste documento está também reportado as dificuldades encontradas e como se lidou com elas. A maneira como o sistema foi validado também é clarificada tal como a afinação para otimizar o sistema.Nowadays, given the large availability of different types of information, it is possible to develop intelligent systems that learn from this information and are able to perform certain tasks better than static systems. The present work reports the development of a recommendation system for Livin’X, a platform for the real-estate market belonging to Ubiwhere. The intention is to provide the users with quality recommendations based not only on house information, but also on the communities they form and, more importantly, the preference the users show for the area a given house is inserted in. In this work a review of the state of the art on recommendation systems was made, identifying the principles and techniques mostly used. Based on that study it was proposed, implemented and tested an architecture for a recommendation system for the real-estate market. User and city information was gathered in order to feed the system. A genetic algorithm that clusters city areas was developed, allowing for the calculation of the users preference for the area a given house is inserted in. Later, the houses’ similarity was calculated using both their characteristics and the user interaction with them. Finally, using collaborative filtering, the developed system was able to provide recommendations more efficiently and with better quality than the previous engine Livin’X was using. In this document it was also reported the difficulties encountered and how they were dealt with. The way the system was validated is also clarified as well as the fine tuning done to optimize the system.2015-09-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/35644http://hdl.handle.net/10316/35644TID:201538202engGarcia, João Miguel Gonçalvesinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-05-25T04:33:35Zoai:estudogeral.uc.pt:10316/35644Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T20:54:24.259737Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Machine Learning num Sistema de Recomendações
title Machine Learning num Sistema de Recomendações
spellingShingle Machine Learning num Sistema de Recomendações
Garcia, João Miguel Gonçalves
City Area Clustering
Machine Learning
Recommendation System
title_short Machine Learning num Sistema de Recomendações
title_full Machine Learning num Sistema de Recomendações
title_fullStr Machine Learning num Sistema de Recomendações
title_full_unstemmed Machine Learning num Sistema de Recomendações
title_sort Machine Learning num Sistema de Recomendações
author Garcia, João Miguel Gonçalves
author_facet Garcia, João Miguel Gonçalves
author_role author
dc.contributor.author.fl_str_mv Garcia, João Miguel Gonçalves
dc.subject.por.fl_str_mv City Area Clustering
Machine Learning
Recommendation System
topic City Area Clustering
Machine Learning
Recommendation System
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra.
publishDate 2015
dc.date.none.fl_str_mv 2015-09-07
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/35644
http://hdl.handle.net/10316/35644
TID:201538202
url http://hdl.handle.net/10316/35644
identifier_str_mv TID:201538202
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133831163281408

Registros relacionados