Relevance, novelty, diversity and personalization in tag recommendation
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/ESBF-B2LFAX |
Resumo: | O projeto e a avaliação de métodos de recomendação de tags tem focado, historicamente, em maximizar a relevância das tags sugeridas para um dado objeto, como um filme ou uma música. A relevância de uma tag pode ser definida sob duas perspectivas. Em uma perspectiva centrada no objeto, uma tag é relevante se ela descreve corretamente o conteúdo do objeto alvo, enquanto em uma perspectiva personalizada uma tag relevante deve não apenas descrever bem o conteúdo do objeto, mas também satisfazer os interesses do usuário alvo. Entretanto, mesmo utilizando personalização, relevância pode não ser suficiente para garantir a eficácia e utilidade das recomendações, quando considerada isoladamente. Promover novidade e diversidade em recomendação de tags não apenas aumenta as chances de que o usuário selecionará pelo menos algumas das tags recomendadas, mas também ajuda a promover informação (i.e., tags) complementar, cobrindo os múltiplos aspectos ou tópicos relacionados ao objeto alvo. Mesmo assim, nenhum trabalho anterior considerou aspectos de novidade e diversidade no contexto específico de recomendação de tags. Nesta tese, objetivamos propor novas soluções que considerem múltiplos aspectos relacionados ao problema de recomendação de tags, em particular, relevância, novidade, diversidade e personalização. Para isso, nós primeiramente investigamos a eficácia do uso combinado de vários atributos de qualidade de tags, bem como de técnicas de learning-to-rank (L2R) em recomendação de tags com o objetivo de melhorar a relevância das tags recomendadas. Também propomos novos atributos sintáticos e técnicas baseadas na vizinhança do objeto alvo para tratar um cenário específico de cold start. Em seguida, ampliamos nosso foco, estendendo nossos melhores métodos para tratar aspectos relacionados a personalização, novidade (especificidade da tag) e diversidade (cobertura de tópicos). Nós avaliamos nossos métodos utilizando dados reais de cinco aplicações da Web 2.0, a saber, Bibsonomy, LastFM, MovieLens, YahooVideo e YouTube. Nossos resultados experimentais demonstram a eficácia de nossos novos métodos quando comparados ao estado-da-arte, e confirmam a viabilidade de melhorar novidade e diversidade com impactos desprezíveis em relevância. Também verificamos que os atributos sintáticos propostos são responsáveis por ganhos significativos (de até 17% em precisão) sobre nosso melhor método no cenário de cold start. Além disso, atestamos os benefícios da personalização para prover melhores descrições para o objeto alvo, que apresentou ganhos de 15% em média sobre o melhor método centrado no objeto. |
id |
UFMG_a0ad28db6323b4d13f931339a9dbad4e |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/ESBF-B2LFAX |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Jussara Marques de AlmeidaMarcos Andre GoncalvesMarcos Andre GoncalvesGisele Lobo PappaLeandro Balby MarinhoRodrygo Luis Teodoro SantosMarco Antonio Pinheiro de CristoFabiano Muniz Belem2019-08-14T13:53:48Z2019-08-14T13:53:48Z2018-03-06http://hdl.handle.net/1843/ESBF-B2LFAXO projeto e a avaliação de métodos de recomendação de tags tem focado, historicamente, em maximizar a relevância das tags sugeridas para um dado objeto, como um filme ou uma música. A relevância de uma tag pode ser definida sob duas perspectivas. Em uma perspectiva centrada no objeto, uma tag é relevante se ela descreve corretamente o conteúdo do objeto alvo, enquanto em uma perspectiva personalizada uma tag relevante deve não apenas descrever bem o conteúdo do objeto, mas também satisfazer os interesses do usuário alvo. Entretanto, mesmo utilizando personalização, relevância pode não ser suficiente para garantir a eficácia e utilidade das recomendações, quando considerada isoladamente. Promover novidade e diversidade em recomendação de tags não apenas aumenta as chances de que o usuário selecionará pelo menos algumas das tags recomendadas, mas também ajuda a promover informação (i.e., tags) complementar, cobrindo os múltiplos aspectos ou tópicos relacionados ao objeto alvo. Mesmo assim, nenhum trabalho anterior considerou aspectos de novidade e diversidade no contexto específico de recomendação de tags. Nesta tese, objetivamos propor novas soluções que considerem múltiplos aspectos relacionados ao problema de recomendação de tags, em particular, relevância, novidade, diversidade e personalização. Para isso, nós primeiramente investigamos a eficácia do uso combinado de vários atributos de qualidade de tags, bem como de técnicas de learning-to-rank (L2R) em recomendação de tags com o objetivo de melhorar a relevância das tags recomendadas. Também propomos novos atributos sintáticos e técnicas baseadas na vizinhança do objeto alvo para tratar um cenário específico de cold start. Em seguida, ampliamos nosso foco, estendendo nossos melhores métodos para tratar aspectos relacionados a personalização, novidade (especificidade da tag) e diversidade (cobertura de tópicos). Nós avaliamos nossos métodos utilizando dados reais de cinco aplicações da Web 2.0, a saber, Bibsonomy, LastFM, MovieLens, YahooVideo e YouTube. Nossos resultados experimentais demonstram a eficácia de nossos novos métodos quando comparados ao estado-da-arte, e confirmam a viabilidade de melhorar novidade e diversidade com impactos desprezíveis em relevância. Também verificamos que os atributos sintáticos propostos são responsáveis por ganhos significativos (de até 17% em precisão) sobre nosso melhor método no cenário de cold start. Além disso, atestamos os benefícios da personalização para prover melhores descrições para o objeto alvo, que apresentou ganhos de 15% em média sobre o melhor método centrado no objeto.The design and evaluation of tag recommendation methods have historically focused on maximizing the relevance of the suggested tags for a given object, such as a movie or a song. However, relevance by itself may not be enough to guarantee recommendation usefulness. In this dissertation, we aim at proposing novel solutions that effectively address multiple aspects related to the tag recommendation problem, notably, relevance, novelty, diversity, and personalization. Towards that goal, we (1) propose and combine various tag quality attributes by means of heuristics and learning-to-rank (L2R) techniques, and (2) extend our best methods to address personalization, novelty (tag's specificity), and diversity (topic coverage), considering different scenarios of interest. Our evaluation, performed with data from five Web 2.0 applications, demonstrates the effectiveness of our new methods, and attest the viability to increase novelty and diversity with only a slight impact on relevance.Universidade Federal de Minas GeraisUFMGTag RecommendationRelevancePersonalizationDiversityComputaçãoNoveltyTag RecommendationRelevancePersonalizationDiversityNoveltyRelevance, novelty, diversity and personalization in tag recommendationinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALfabianomunizbelem.pdfapplication/pdf2055103https://repositorio.ufmg.br/bitstream/1843/ESBF-B2LFAX/1/fabianomunizbelem.pdf36e6d05a55c43d3334ab0a744c0451daMD51TEXTfabianomunizbelem.pdf.txtfabianomunizbelem.pdf.txtExtracted texttext/plain354273https://repositorio.ufmg.br/bitstream/1843/ESBF-B2LFAX/2/fabianomunizbelem.pdf.txt857c61c183d32dd0ffdd870442bd0c36MD521843/ESBF-B2LFAX2019-11-14 14:00:10.078oai:repositorio.ufmg.br:1843/ESBF-B2LFAXRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T17:00:10Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Relevance, novelty, diversity and personalization in tag recommendation |
title |
Relevance, novelty, diversity and personalization in tag recommendation |
spellingShingle |
Relevance, novelty, diversity and personalization in tag recommendation Fabiano Muniz Belem Tag Recommendation Relevance Personalization Diversity Novelty Tag Recommendation Relevance Personalization Diversity Computação Novelty |
title_short |
Relevance, novelty, diversity and personalization in tag recommendation |
title_full |
Relevance, novelty, diversity and personalization in tag recommendation |
title_fullStr |
Relevance, novelty, diversity and personalization in tag recommendation |
title_full_unstemmed |
Relevance, novelty, diversity and personalization in tag recommendation |
title_sort |
Relevance, novelty, diversity and personalization in tag recommendation |
author |
Fabiano Muniz Belem |
author_facet |
Fabiano Muniz Belem |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Jussara Marques de Almeida |
dc.contributor.advisor-co1.fl_str_mv |
Marcos Andre Goncalves |
dc.contributor.referee1.fl_str_mv |
Marcos Andre Goncalves |
dc.contributor.referee2.fl_str_mv |
Gisele Lobo Pappa |
dc.contributor.referee3.fl_str_mv |
Leandro Balby Marinho |
dc.contributor.referee4.fl_str_mv |
Rodrygo Luis Teodoro Santos |
dc.contributor.referee5.fl_str_mv |
Marco Antonio Pinheiro de Cristo |
dc.contributor.author.fl_str_mv |
Fabiano Muniz Belem |
contributor_str_mv |
Jussara Marques de Almeida Marcos Andre Goncalves Marcos Andre Goncalves Gisele Lobo Pappa Leandro Balby Marinho Rodrygo Luis Teodoro Santos Marco Antonio Pinheiro de Cristo |
dc.subject.por.fl_str_mv |
Tag Recommendation Relevance Personalization Diversity Novelty |
topic |
Tag Recommendation Relevance Personalization Diversity Novelty Tag Recommendation Relevance Personalization Diversity Computação Novelty |
dc.subject.other.pt_BR.fl_str_mv |
Tag Recommendation Relevance Personalization Diversity Computação Novelty |
description |
O projeto e a avaliação de métodos de recomendação de tags tem focado, historicamente, em maximizar a relevância das tags sugeridas para um dado objeto, como um filme ou uma música. A relevância de uma tag pode ser definida sob duas perspectivas. Em uma perspectiva centrada no objeto, uma tag é relevante se ela descreve corretamente o conteúdo do objeto alvo, enquanto em uma perspectiva personalizada uma tag relevante deve não apenas descrever bem o conteúdo do objeto, mas também satisfazer os interesses do usuário alvo. Entretanto, mesmo utilizando personalização, relevância pode não ser suficiente para garantir a eficácia e utilidade das recomendações, quando considerada isoladamente. Promover novidade e diversidade em recomendação de tags não apenas aumenta as chances de que o usuário selecionará pelo menos algumas das tags recomendadas, mas também ajuda a promover informação (i.e., tags) complementar, cobrindo os múltiplos aspectos ou tópicos relacionados ao objeto alvo. Mesmo assim, nenhum trabalho anterior considerou aspectos de novidade e diversidade no contexto específico de recomendação de tags. Nesta tese, objetivamos propor novas soluções que considerem múltiplos aspectos relacionados ao problema de recomendação de tags, em particular, relevância, novidade, diversidade e personalização. Para isso, nós primeiramente investigamos a eficácia do uso combinado de vários atributos de qualidade de tags, bem como de técnicas de learning-to-rank (L2R) em recomendação de tags com o objetivo de melhorar a relevância das tags recomendadas. Também propomos novos atributos sintáticos e técnicas baseadas na vizinhança do objeto alvo para tratar um cenário específico de cold start. Em seguida, ampliamos nosso foco, estendendo nossos melhores métodos para tratar aspectos relacionados a personalização, novidade (especificidade da tag) e diversidade (cobertura de tópicos). Nós avaliamos nossos métodos utilizando dados reais de cinco aplicações da Web 2.0, a saber, Bibsonomy, LastFM, MovieLens, YahooVideo e YouTube. Nossos resultados experimentais demonstram a eficácia de nossos novos métodos quando comparados ao estado-da-arte, e confirmam a viabilidade de melhorar novidade e diversidade com impactos desprezíveis em relevância. Também verificamos que os atributos sintáticos propostos são responsáveis por ganhos significativos (de até 17% em precisão) sobre nosso melhor método no cenário de cold start. Além disso, atestamos os benefícios da personalização para prover melhores descrições para o objeto alvo, que apresentou ganhos de 15% em média sobre o melhor método centrado no objeto. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-03-06 |
dc.date.accessioned.fl_str_mv |
2019-08-14T13:53:48Z |
dc.date.available.fl_str_mv |
2019-08-14T13:53:48Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/ESBF-B2LFAX |
url |
http://hdl.handle.net/1843/ESBF-B2LFAX |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/ESBF-B2LFAX/1/fabianomunizbelem.pdf https://repositorio.ufmg.br/bitstream/1843/ESBF-B2LFAX/2/fabianomunizbelem.pdf.txt |
bitstream.checksum.fl_str_mv |
36e6d05a55c43d3334ab0a744c0451da 857c61c183d32dd0ffdd870442bd0c36 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589243840233472 |