| spelling |
Gisele Lobo PappaNivio ZivianiAdriano Alonso VelosoRicardo Bastos Cavalcante PrudencioAdolfo Pinto Guimarães2019-08-10T05:04:43Z2019-08-10T05:04:43Z2013-03-22http://hdl.handle.net/1843/ESBF-97GR3NOs sistemas de recomendação fornecem sugestões de itens baseados no interesse do usuário. Esses sistemas estão presentes em diversos contextos, tais como comércio eletrônico, máquinas de busca e guias de programação para TV digital. Esta dissertaçãopropõe o GUARD (A Genetic Unified Approach for Recommendation), um arcabouço baseado em programação genética criado para gerar funções de ranking de itens para sistemas de recomendação. O arcabouço desenvolvido é flexível, e apesar de ter sido implementado para trabalhar com filtragem colaborativa, pode ser facilmente estendidopara recomendação baseada em conteúdo ou híbrida. Na filtragem colaborativa, itens são recomendados ao usuário levando em consideração a preferência de usuários com interesses semelhantes aos seus. A programação genética (PG) é um método baseado nas teorias de evolução e sobrevivência dos indivíduos mais adaptados. A principal motivação para propor um método baseado em PG para gerar funções de ranking está em sua flexibilidade para combinar diferentes evidências, além de sua capacidade de lidar com incerteza e ruído nos dados. O GUARD avalia as funções de ranking geradas com base emquatro medidas: precisão, revocação, novidade e diversidade. Essa avaliação baseada em diferentes critérios de qualidade segue duas abordagens distintas de otimização dos objetivos: uma abordagem baseada em Pareto e uma abordagem lexicográfica. O arcabouço foi aplicado no cenário de recomendação de filmes com as basesMovielens 100k e 1M, e comparados com o PureSVD, algoritmo estado da arte para recomendação de filtragem colaborativa. Para a Movielens 100k, os resultados de precisão e revocação obtidos foram melhores que os do PureSVD, gerando ganho de aproximadamente 7% em número de itens nas primeiras posições do ranking. No caso dos indivíduos com melhor novidade e diversidade, apesar de uma pequena perda na precisão, houve um ganho significativo em relação ao PureSVD nesses objetivos. Para a Movilens 1M, os resultados não superaram os do baseline proposto de acordo com as quatro medidas, ficando em média 3% abaixo em número de itens relevantes nas 20 primeiras posições do ranking. Por outro lado, as funções geradas são muito mais simples e eficientes que aquelas geradas pelo PureSVD.Recommender systems suggest new items to the user based on his/her interest. These systems appear in distinct contexts, including e-commerce, search engines, program guides for digital TV. This work proposes GUARD (A Genetic Unified Approach for Recommendation),a framework based on genetic programming conceived to generate items ranking functions for recommendation. The framework is flexible, and although developed under a colaborative filtering framework can be easily extended to work with content-based or hybrid recommender systems. When working with collaborative filtering, items are recommended to the user based on preferences of similar users in the system. Genetic Programming is a method based on the theories of evolution and survival of the fittest. The main motivation behind using genetic programming to generate items raking functions is in their flexibility to combine different data evidences and capability of dealing with data uncertainty and noise. GUARD evaluates the generated ranking functions using four different measures: precision, recall, diversity and novelty. The evaluation, which can be based any combination of these criteria, follows two different approaches for multicriteria optimisation: a Pareto-based and a lexicographical approach. The framework was tested in the scenario of movies recommendation, using the Movielens 100k and 1M datasets. The results obtained were compared to those generated by PureSVD, the state-of-the-art algorithm for collaborative filtering. Considering the Movielens 100k, the results of precision and recall were superior to those of SVD. The framework can also generate more diverse and novel recommendations, with a small loss in precision. For Movielens 1M, the results are not better than those of PureSVD. The generated ranking functions lose in accuracy for PureSVD but gain in simplicity and efficiency..Universidade Federal de Minas GeraisUFMGComputaçãoSistemas de recuperação da informaçãoProgramação genética (computação)Ciência da ComputaçãoGUARD: um arcabouço para recomendação baseado em programação genéticainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALadolfopintoguimar_es.pdfapplication/pdf2816801https://repositorio.ufmg.br/bitstream/1843/ESBF-97GR3N/1/adolfopintoguimar_es.pdfa55a9941f24cae7d9d115cb12d544ccfMD51TEXTadolfopintoguimar_es.pdf.txtadolfopintoguimar_es.pdf.txtExtracted texttext/plain112729https://repositorio.ufmg.br/bitstream/1843/ESBF-97GR3N/2/adolfopintoguimar_es.pdf.txt141bedc1ee4a55521ab07e1500f19f6bMD521843/ESBF-97GR3N2019-11-14 10:03:57.152oai:repositorio.ufmg.br:1843/ESBF-97GR3NRepositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T13:03:57Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|