Relevance, novelty, diversity and personalization in tag recommendation

• Autor(a) principal: Fabiano Muniz Belem
• 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
• topic: Tag Recommendation; Relevance; Personalization; Diversity; Novelty; Tag Recommendation; Relevance; Personalization; Diversity; Computação; Novelty

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.