Sistema de recomendação de textos acadêmicos através de clusterização com k-Means iterativo

• Autor(a) principal: Skinner, Rafael de Araujo
• Data de Publicação: 2019
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: http://app.uff.br/riuff/handle/1/25785
• topic: Clusters; Clusterização; Textos acadêmicos; Sistema de recomendação; Análise de agrupamento; Sistema de recomendação; Algoritmo computacional; Clusterization; k-Means; Academic texts; Recommender systems

Este trabalho emprega uma técnica de aprendizado não supervisionada para a criação de clusters de artigos semelhantes da base de dados da Sociedade Brasileira de Computação (SBC), que utiliza o popular algoritmo k-Means. Mais, especificamente, é feito um processo iterativo na execução do k-Means, onde o número de clusters k é determinado de maneira incremental, começando com k assumindo o valor um e incrementando-o a cada iteração sem sucesso. Posteriormente, recomeçando o processo quando for encontrado algum cluster com tamanho dentro do limite especificado. Dessa forma, a escolha de k é substituída pela escolha do tamanho máximo dos clusters finais, obtendo-se clusters com tamanhos controlados, idealmente pouco discrepantes e, ainda, eliminando a difícil escolha do k. Tendo em vista que nem sempre é claro qual o melhor valor a ser definido e, usualmente, a escolha é feita baseada em conhecimento prévio do conjunto, de suposições ou de experiência prática, segundo Hamerly e Elkan (1)