Sistemas de recomendação utilizando coagrupamento e aprendizado simultâneo evolutivo

Detalhes bibliográficos
Autor(a) principal: Rocha, Thiago Costa Rizuti da
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFABC
Texto Completo: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124284
Resumo: Orientador: Prof. Dr. Thiago Ferreira Covões
id UFBC_6cbb8ecf803daf338ae3ce875c750b96
oai_identifier_str oai:BDTD:124284
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling Sistemas de recomendação utilizando coagrupamento e aprendizado simultâneo evolutivoSISTEMAS DE RECOMENDAÇÃOAPRENDIZADO COMPUTACIONALCOAGRUPAMENTOALGORITMOS EVOLUTIVOSRECOMMENDER SYSTEMSMACHINE LEARNINGCO-CLUSTERINGEVOLUTIONARY ALGORITHMSPROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABCOrientador: Prof. Dr. Thiago Ferreira CovõesCoorientador: Prof. Dr. André Luiz Vizine PereiraDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Ciência da Computação, Santo André, 2022.Sistemas de Recomendação são ferramentas que auxiliam na seleção personalizada de itens de acordo com as preferências individuais dos usuários. Filmes, músicas e produtos em e-commerce são exemplos de aplicações bem conhecidas. Características comuns em dados destes domínios são a alta dimensionalidade, devido a grande quantidade de usuários e itens, e a alta esparsidade, devido ao fato de que cada usuário interage apenas com uma pequena parte dos itens. Neste cenário, obter um modelo que represente a relação de todos usuários com todos os itens se mostra uma tarefa desafiadora. Como proposto no algoritmo SCOAL (Simultaneous Co-Clustering and Learning), a segmentação dos dados e o aprendizado de modelos locais se mostra como uma boa solução. No entanto, o número de modelos locais é um hiperparâmetro crítico que deve ser ajustado manualmente. Assim, propomos uma variante evolutiva, denominada Evolutionary Simultaneous Co-Clustering and Learning (EvoSCOAL), para otimizar a busca do melhor valor deste hiperparâmetro. Por meio de experimentos computacionais em dados sintéticos, observamos que o EvoSCOAL pode superar a abordagem da literatura, baseada em busca por bisecção, tanto na qualidade preditiva e quanto na capacidade de estimar o valores do hiperparâmetro. Em bases de dados de benchmark, o EvoSCOAL se mostrou competitivo em comparação a técnicas tradicionais da literatura de sistemas de recomendaçãoRecommender Systems are tools which aid the customized selection of items according to the preferences of users. Movies, music, and e-commerce are examples of well-known applications. Common characteristics of data on these domains are high-dimensionality, due to a large number of users and items, and high sparsity, since each user interacts with only a few items. In this setting, obtaining a model that represents the relationship between all users and all items is a challenging task. As proposed in the algorithm SCOAL (Simultaneous Co-Clustering and Learning), the use of co-clustering and learning local models has emerged as a good solution for this problem. However, the number of local models is still a critical hyperparameter that must be set manually. Therefore, we propose the variant Evolutionary Simultaneous Co-Clustering and Learning (EvoSCOAL) to optimize the search for the best value of this hyperparameter. Our results using synthetic data suggest that EvoSCOAL can surpass the bisection based strategy from literature in both predictive accuracy and hyperparameter estimation capacity. Also, results in benchmark datasets suggests that EvoSCOAL is competitive in predictive accuracy when compared to traditional Recommender Systems approaches.Covões, Thiago FerreiraPereira, André Luiz VizineHruschka, Eduardo RaulPisani, Paulo HenriqueRocha, Thiago Costa Rizuti da2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf75 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124284http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124284&midiaext=80807Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=124284porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2023-05-31T18:49:00Zoai:BDTD:124284Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2023-05-31T18:49Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.none.fl_str_mv Sistemas de recomendação utilizando coagrupamento e aprendizado simultâneo evolutivo
title Sistemas de recomendação utilizando coagrupamento e aprendizado simultâneo evolutivo
spellingShingle Sistemas de recomendação utilizando coagrupamento e aprendizado simultâneo evolutivo
Rocha, Thiago Costa Rizuti da
SISTEMAS DE RECOMENDAÇÃO
APRENDIZADO COMPUTACIONAL
COAGRUPAMENTO
ALGORITMOS EVOLUTIVOS
RECOMMENDER SYSTEMS
MACHINE LEARNING
CO-CLUSTERING
EVOLUTIONARY ALGORITHMS
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC
title_short Sistemas de recomendação utilizando coagrupamento e aprendizado simultâneo evolutivo
title_full Sistemas de recomendação utilizando coagrupamento e aprendizado simultâneo evolutivo
title_fullStr Sistemas de recomendação utilizando coagrupamento e aprendizado simultâneo evolutivo
title_full_unstemmed Sistemas de recomendação utilizando coagrupamento e aprendizado simultâneo evolutivo
title_sort Sistemas de recomendação utilizando coagrupamento e aprendizado simultâneo evolutivo
author Rocha, Thiago Costa Rizuti da
author_facet Rocha, Thiago Costa Rizuti da
author_role author
dc.contributor.none.fl_str_mv Covões, Thiago Ferreira
Pereira, André Luiz Vizine
Hruschka, Eduardo Raul
Pisani, Paulo Henrique
dc.contributor.author.fl_str_mv Rocha, Thiago Costa Rizuti da
dc.subject.por.fl_str_mv SISTEMAS DE RECOMENDAÇÃO
APRENDIZADO COMPUTACIONAL
COAGRUPAMENTO
ALGORITMOS EVOLUTIVOS
RECOMMENDER SYSTEMS
MACHINE LEARNING
CO-CLUSTERING
EVOLUTIONARY ALGORITHMS
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC
topic SISTEMAS DE RECOMENDAÇÃO
APRENDIZADO COMPUTACIONAL
COAGRUPAMENTO
ALGORITMOS EVOLUTIVOS
RECOMMENDER SYSTEMS
MACHINE LEARNING
CO-CLUSTERING
EVOLUTIONARY ALGORITHMS
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC
description Orientador: Prof. Dr. Thiago Ferreira Covões
publishDate 2022
dc.date.none.fl_str_mv 2022
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://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124284
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124284
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124284&midiaext=80807
Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=124284
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
75 f. : il.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1813263961502515200

Registros relacionados