| spelling |
Marcos André Gonçalveshttp://lattes.cnpq.br/3457219624656691Anisio Mendes LacerdaLeandro Balby MarinhoLeonardo Chaves Dutra da RochaRicardo Bastos Cavalcante PrudêncioRodrygo Luis Teodoro Santoshttp://lattes.cnpq.br/1637967805937656Reinaldo Silva Fortes2022-08-03T15:23:43Z2022-08-03T15:23:43Z2022-05-27http://hdl.handle.net/1843/43915Sistemas de Recomendação são ferramentas cujo principal objetivo é auxiliar os usuários a encontrar itens relevantes em meio a muitas opções. Entretanto, diferentes conceitos de "relevância" podem ser definidos, tornando a tarefa de recomendação ainda mais desafiadora se desejarmos boas recomendações sobre múltiplos conceitos de qualidade, e.g., acurácia, novidade e diversidade. Neste cenário, a recomendação precisa utilizar mecanismos de otimização multi-objetivo. Apesar de encontrarmos trabalhos voltados para a este tipo de recomendação, a maioria deles possui limitações sobre alguns aspectos relevantes. Três aspectos, em especial, abrem margem para aprimorar a recomendação multi-objetivo sobre novas perspectivas com o uso de recursos adicionais: (a) meta-features: características implícitas dos dados de entrada podem influenciar os algoritmos, e.g., quantidade e distribuição dos ratings dos itens, portanto, o uso explícito de medidas estatísticas capazes de mensurar algumas destas características pode ser útil no processo de recomendação multi-objetivo; (b) sensibilidade ao risco: a otimização de múltiplos critérios pelas suas médias globais pode gerar resultados ruins em favorecimento de alguns resultados muito bons que, embora raros, sejam capazes de afetar positivamente as médias, portanto, a utilização explícita de métricas de sensibilidade ao risco pode ser útil no processo de otimização, reduzindo as recomendações ruins sem degradar as médias globais; (c) priorização dos objetivos: usuários possuem diferentes preferências em relação aos critérios de qualidade das recomendações, e.g., enquanto alguns usuários não abrem mão de itens prediletos, outros podem ser mais tolerantes à descoberta de novos itens ou maior diversidade de itens, portanto, a utilização explícita de preferências dos usuários sobre os critérios de qualidade também pode ser útil para melhorar ainda mais as recomendações multi-objetivo. Sendo assim, neste trabalho investigamos a recomendação multi-objetivo sobre a ótica destas três novas perspectivas e definimos métodos de recomendação específicos. Extensos experimentos validaram esses métodos e respondem positivamente às nossas questões de pesquisa, e também nos permitiram começar a entender melhor a recomendação multiobjetivo sobre esses três aspectos, abrindo margem para relevantes trabalhos futuros.Recommender Systems are tools whose main objective is to help users find relevant items among many options. However, different "relevance" concepts can be defined, making the recommendation task even more challenging if we want good recommendations on multiple quality concepts, e.g., accuracy, novelty, and diversity. In this scenario, the recommendation needs to use multi-objective optimization mechanisms. Although we find works focused on this type of recommendation, most of them are limited in some relevant aspects. In particular, three aspects provide scope for improving the multi-objective recommendation on new perspectives with the use of additional resources: (a) meta-features: implicit characteristics of input data can influence algorithms, e.g., quantity and distribution of items' ratings, therefore, explicit use of statistical measures capable of measuring some of those characteristics can be helpful in the multi-objective recommendation; (b) risk sensitivity: the optimization by global averages of multiple criteria can generate bad results in exchange for some excellent results that, although rare, can positively affect these averages, therefore, explicit use of risk sensitivity metrics can be helpful in the optimization process, reducing harmful recommendations without degrading global averages; (c) prioritization of objectives: users have different preferences regarding the quality criteria of recommendations, e.g., while some users do not give up favorite items, others may be more tolerant of discovering new items or a greater diversification of items, therefore, explicit use of users' preferences regarding the quality criteria can also be helpful to improve multi-objective recommendations further. Accordingly, in this work, we investigated the multi-objective recommendation from these three new perspectives and defined specific recommendation methods. Extensive experiments validated these methods, answered our research questions positively, and improved our knowledge concerning multi-objective recommendations on these three aspects, opening opportunities for relevant future work.engUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Ciência da ComputaçãoUFMGBrasilICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃOComputação – TesesSistemas de recomendação – TesesOtimização multi-objetivo – TesesComputerRecommender SystemsHybrid FilteringMulti-Objective FilteringEnhancing the Multi-Objective Recommendation from three new perspectives: data characterization, risk-sensitiveness, and prioritization of the objectivesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALReinaldo_Silva_Fortes_Tese_UFMG.pdfReinaldo_Silva_Fortes_Tese_UFMG.pdfapplication/pdf1879162https://repositorio.ufmg.br/bitstream/1843/43915/1/Reinaldo_Silva_Fortes_Tese_UFMG.pdf2b7cf42b459df0a7bc5b7c10ac12f04aMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/43915/2/license.txtcda590c95a0b51b4d15f60c9642ca272MD521843/439152022-08-03 12:23:43.846oai:repositorio.ufmg.br:1843/43915TElDRU7Dh0EgREUgRElTVFJJQlVJw4fDg08gTsODTy1FWENMVVNJVkEgRE8gUkVQT1NJVMOTUklPIElOU1RJVFVDSU9OQUwgREEgVUZNRwoKQ29tIGEgYXByZXNlbnRhw6fDo28gZGVzdGEgbGljZW7Dp2EsIHZvY8OqIChvIGF1dG9yIChlcykgb3UgbyB0aXR1bGFyIGRvcyBkaXJlaXRvcyBkZSBhdXRvcikgY29uY2VkZSBhbyBSZXBvc2l0w7NyaW8gSW5zdGl0dWNpb25hbCBkYSBVRk1HIChSSS1VRk1HKSBvIGRpcmVpdG8gbsOjbyBleGNsdXNpdm8gZSBpcnJldm9nw6F2ZWwgZGUgcmVwcm9kdXppciBlL291IGRpc3RyaWJ1aXIgYSBzdWEgcHVibGljYcOnw6NvIChpbmNsdWluZG8gbyByZXN1bW8pIHBvciB0b2RvIG8gbXVuZG8gbm8gZm9ybWF0byBpbXByZXNzbyBlIGVsZXRyw7RuaWNvIGUgZW0gcXVhbHF1ZXIgbWVpbywgaW5jbHVpbmRvIG9zIGZvcm1hdG9zIMOhdWRpbyBvdSB2w61kZW8uCgpWb2PDqiBkZWNsYXJhIHF1ZSBjb25oZWNlIGEgcG9sw610aWNhIGRlIGNvcHlyaWdodCBkYSBlZGl0b3JhIGRvIHNldSBkb2N1bWVudG8gZSBxdWUgY29uaGVjZSBlIGFjZWl0YSBhcyBEaXJldHJpemVzIGRvIFJJLVVGTUcuCgpWb2PDqiBjb25jb3JkYSBxdWUgbyBSZXBvc2l0w7NyaW8gSW5zdGl0dWNpb25hbCBkYSBVRk1HIHBvZGUsIHNlbSBhbHRlcmFyIG8gY29udGXDumRvLCB0cmFuc3BvciBhIHN1YSBwdWJsaWNhw6fDo28gcGFyYSBxdWFscXVlciBtZWlvIG91IGZvcm1hdG8gcGFyYSBmaW5zIGRlIHByZXNlcnZhw6fDo28uCgpWb2PDqiB0YW1iw6ltIGNvbmNvcmRhIHF1ZSBvIFJlcG9zaXTDs3JpbyBJbnN0aXR1Y2lvbmFsIGRhIFVGTUcgcG9kZSBtYW50ZXIgbWFpcyBkZSB1bWEgY8OzcGlhIGRlIHN1YSBwdWJsaWNhw6fDo28gcGFyYSBmaW5zIGRlIHNlZ3VyYW7Dp2EsIGJhY2stdXAgZSBwcmVzZXJ2YcOnw6NvLgoKVm9jw6ogZGVjbGFyYSBxdWUgYSBzdWEgcHVibGljYcOnw6NvIMOpIG9yaWdpbmFsIGUgcXVlIHZvY8OqIHRlbSBvIHBvZGVyIGRlIGNvbmNlZGVyIG9zIGRpcmVpdG9zIGNvbnRpZG9zIG5lc3RhIGxpY2Vuw6dhLiBWb2PDqiB0YW1iw6ltIGRlY2xhcmEgcXVlIG8gZGVww7NzaXRvIGRlIHN1YSBwdWJsaWNhw6fDo28gbsOjbywgcXVlIHNlamEgZGUgc2V1IGNvbmhlY2ltZW50bywgaW5mcmluZ2UgZGlyZWl0b3MgYXV0b3JhaXMgZGUgbmluZ3XDqW0uCgpDYXNvIGEgc3VhIHB1YmxpY2HDp8OjbyBjb250ZW5oYSBtYXRlcmlhbCBxdWUgdm9jw6ogbsOjbyBwb3NzdWkgYSB0aXR1bGFyaWRhZGUgZG9zIGRpcmVpdG9zIGF1dG9yYWlzLCB2b2PDqiBkZWNsYXJhIHF1ZSBvYnRldmUgYSBwZXJtaXNzw6NvIGlycmVzdHJpdGEgZG8gZGV0ZW50b3IgZG9zIGRpcmVpdG9zIGF1dG9yYWlzIHBhcmEgY29uY2VkZXIgYW8gUmVwb3NpdMOzcmlvIEluc3RpdHVjaW9uYWwgZGEgVUZNRyBvcyBkaXJlaXRvcyBhcHJlc2VudGFkb3MgbmVzdGEgbGljZW7Dp2EsIGUgcXVlIGVzc2UgbWF0ZXJpYWwgZGUgcHJvcHJpZWRhZGUgZGUgdGVyY2Vpcm9zIGVzdMOhIGNsYXJhbWVudGUgaWRlbnRpZmljYWRvIGUgcmVjb25oZWNpZG8gbm8gdGV4dG8gb3Ugbm8gY29udGXDumRvIGRhIHB1YmxpY2HDp8OjbyBvcmEgZGVwb3NpdGFkYS4KCkNBU08gQSBQVUJMSUNBw4fDg08gT1JBIERFUE9TSVRBREEgVEVOSEEgU0lETyBSRVNVTFRBRE8gREUgVU0gUEFUUk9Dw41OSU8gT1UgQVBPSU8gREUgVU1BIEFHw4pOQ0lBIERFIEZPTUVOVE8gT1UgT1VUUk8gT1JHQU5JU01PLCBWT0PDiiBERUNMQVJBIFFVRSBSRVNQRUlUT1UgVE9ET1MgRSBRVUFJU1FVRVIgRElSRUlUT1MgREUgUkVWSVPDg08gQ09NTyBUQU1Cw4lNIEFTIERFTUFJUyBPQlJJR0HDh8OVRVMgRVhJR0lEQVMgUE9SIENPTlRSQVRPIE9VIEFDT1JETy4KCk8gUmVwb3NpdMOzcmlvIEluc3RpdHVjaW9uYWwgZGEgVUZNRyBzZSBjb21wcm9tZXRlIGEgaWRlbnRpZmljYXIgY2xhcmFtZW50ZSBvIHNldSBub21lKHMpIG91IG8ocykgbm9tZXMocykgZG8ocykgZGV0ZW50b3IoZXMpIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBkYSBwdWJsaWNhw6fDo28sIGUgbsOjbyBmYXLDoSBxdWFscXVlciBhbHRlcmHDp8OjbywgYWzDqW0gZGFxdWVsYXMgY29uY2VkaWRhcyBwb3IgZXN0YSBsaWNlbsOnYS4KRepositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2022-08-03T15:23:43Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|