| spelling |
Wagner Meira JuniorRenato Martins AssuncaoGisele Lobo PappaLeandro Balby MarinhoSara Regina Mattos Guimaraes2019-08-13T19:36:25Z2019-08-13T19:36:25Z2013-12-20http://hdl.handle.net/1843/ESBF-9GNGU9Com a crescente popularização das redes sociais, encontrar usuários de interesse tem se tornado uma tarefa cada vez mais difícil, fazendo com que tais redes, como o Twitter ou o Facebook por exemplo, sejam ótimos cenários para a aplicação de sistemas de recomendação. Neste trabalho, nós realizamos uma extensa avaliação de algoritmos para recomendação de usuários baseados em conteúdo, difusão de informação e em métodos colaborativos. Nós realizamos experimentos utilizando duas bases de dados reais do Twitter. Neste trabalho, uma nova forma de representar usuários para algoritmos baseados em conteúdo e tf-idf é proposta. Essa nova representação captura os interesses dos usuários de uma forma mais completa, também levando em consideração o conteúdo postado pelas pessoas que eles seguem. Nossos experimentos mostram que essa nova representação supera a tradicionalmente usada. Nós aplicamos algoritmos colaborativos representativos do estado-da-arte para recomendação de itens no nosso cenário de recomendação de usuários. Nós também apresentamos e avaliamos o ProfileRank, um novo modelo baseado em difusão para medir influência de usuários e relevância de conteúdos. O ProfileRank também é aplicado na tarefa de recomendação de usuários. Pesquisas anteriores apontam que existe valor em combinar diferentes algoritmos de recomendação, uma vez que cada algoritmo tem seus pontos fortes e pontos fracos. Entretanto, trabalhos anteriores focaram em classes específicas de algoritmos de recomendação, ou em formas ingênuas de combinar diferentes algoritmos. Em contraste, neste trabalho nós apresentamos um arcabouço híbrido e holístico que simultaneamente leva em conta algoritmos baseados em conteúdo, difusão, técnicas colaborativas e informação de usuários. Nosso arcabouço aprende como combinar diferentes fontes de evidência (incluindo o resultado de outros algoritmos) dos próprios dados, usando usando para isso um modelo de Regressão Logística. Dessa forma, ao invés de determinar a importância de cada fonte manualmente, ou pior - dar o mesmo peso para as diversas fontes, a ênfase apropriada dada para cada fonte de evidência do nosso modelo é extraída dos dados. Nossos experimentos mostram que nosso arcabouço supera algoritmos do estado da arte para recomendação de usuários.As social networks grow larger and larger, finding users of interest becomes an increasingly difficult task, making them great scenarios for the application of recommender systems. In this work, we perform an extensive evaluation of content-based, collaborative-based, and diffusion-based algorithms for user recommendation, and perform experiments on real datasets from Twitter. Previous research has shown the value in combining different recommendation algorithms, as each one has strengths and weaknesses. However, most have focused on specific classes of recommendation algorithms, or on naively combining them. In contrast, we present a holistic hybrid framework that simultaneously takes into account content-based, collaborative-based, diffusion-based, and user-based information. It learns how to combine different sources of evidence by using a Logistic Regression model. Our experiments show that our algorithm outperforms current state-of-the-art algorithms for user recommendation.Universidade Federal de Minas GeraisUFMGRedes de relações sociaisSistemas de recomendaçãoComputaçãoAlgoritmos de mineração de dadosRedes sociaisRegressão logísticaRecomendação de usuáriosA holistic framework for user recommendation in social networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALsararegina.pdfapplication/pdf2708206https://repositorio.ufmg.br/bitstream/1843/ESBF-9GNGU9/1/sararegina.pdfdac9cd2029cc74fc9e7cbd076cf14d53MD51TEXTsararegina.pdf.txtsararegina.pdf.txtExtracted texttext/plain129354https://repositorio.ufmg.br/bitstream/1843/ESBF-9GNGU9/2/sararegina.pdf.txt630f41f8d6033056a62467f4615dadd4MD521843/ESBF-9GNGU92019-11-14 14:38:54.859oai:repositorio.ufmg.br:1843/ESBF-9GNGU9Repositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T17:38:54Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|