Estratégia e projeto de interação baseados em agrupamento de itens para a elicitação de preferências de novos usuários em sistemas de recomendação
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPB |
Texto Completo: | https://repositorio.ufpb.br/jspui/handle/123456789/26329 |
Resumo: | Para oferecer recomendações personalizadas a um usuário, um Sistema de Recomendação faz uso de um processo de elicitação de preferências sempre que um novo usuário é registrado no sistema. Propomos que esta tarefa é melhor alcançada não pelo método clássico, onde os usuários começam por expressar preferências por itens individuais, mas sim expressando preferências por grupos de itens, uma vez que o método clássico converte de forma ineficiente o esforço de um usuário em um perfil personalizado. Testamos esta ideia desenvolvendo e avaliando um processo interativo, onde os usuários expressam preferências através de grupos de itens gerados automaticamente por algoritmos de clusterização (clustering). Tal estratégia de recomendação pode ser generalizada para qualquer sistema baseado em Filtragem Colaborativa. Avaliamos nosso processo, tanto com métodos de simulação offline usando o conjunto de dados MovieLens, quanto com um experimento online com 312 usuários. Nossa avaliação revela vantagens e desvantagens envolvidas na passagem da elicitação de preferências por item para a elicitação de preferências por grupo. Os experimentos com usuários mostraram que a lista de recomendações top-N gerada por nossa proposta contém mais filmes que usuários poderão estar interessados, em comparação com o método clássico, e que um maior número de grupos impacta positivamente a acurácia de previsões, ao custo de maior esforço de escolha do usuário. Constatamos ainda que, em comparação com uma interface baseline de 15 itens, os usuários são capazes de completar o processo de elicitação de preferências em menos da metade do tempo. |
id |
UFPB-2_eed8a0402b1a4aaf0a45266442f61b61 |
---|---|
oai_identifier_str |
oai:repositorio.ufpb.br:123456789/26329 |
network_acronym_str |
UFPB-2 |
network_name_str |
Repositório Institucional da UFPB |
repository_id_str |
|
spelling |
2023-02-23T16:44:02Z2021-02-182023-02-23T16:44:02Z2021-02-01https://repositorio.ufpb.br/jspui/handle/123456789/26329Para oferecer recomendações personalizadas a um usuário, um Sistema de Recomendação faz uso de um processo de elicitação de preferências sempre que um novo usuário é registrado no sistema. Propomos que esta tarefa é melhor alcançada não pelo método clássico, onde os usuários começam por expressar preferências por itens individuais, mas sim expressando preferências por grupos de itens, uma vez que o método clássico converte de forma ineficiente o esforço de um usuário em um perfil personalizado. Testamos esta ideia desenvolvendo e avaliando um processo interativo, onde os usuários expressam preferências através de grupos de itens gerados automaticamente por algoritmos de clusterização (clustering). Tal estratégia de recomendação pode ser generalizada para qualquer sistema baseado em Filtragem Colaborativa. Avaliamos nosso processo, tanto com métodos de simulação offline usando o conjunto de dados MovieLens, quanto com um experimento online com 312 usuários. Nossa avaliação revela vantagens e desvantagens envolvidas na passagem da elicitação de preferências por item para a elicitação de preferências por grupo. Os experimentos com usuários mostraram que a lista de recomendações top-N gerada por nossa proposta contém mais filmes que usuários poderão estar interessados, em comparação com o método clássico, e que um maior número de grupos impacta positivamente a acurácia de previsões, ao custo de maior esforço de escolha do usuário. Constatamos ainda que, em comparação com uma interface baseline de 15 itens, os usuários são capazes de completar o processo de elicitação de preferências em menos da metade do tempo.In order to provide tailored recommendations to a user, a Recommendation System makes use of a preference elicitation process whenever a new user is registered in the system. We propose that this task is best achieved not by the classic method, in which users first express their preferences for individual items, but instead by expressing preferences for groups of items, since the classic method inefficiently converts a user’s effort into a personalized profile. We tested this idea by developing and evaluating an interactive process, where users express preferences through groups of items that are automatically generated by clustering algorithms (clustering). This strategy of recommendation can be applied to any collaborative filtering based system. We assess our process, both with offline simulation methods, using the MovieLens data set; and with an online experiment with 312 users. Our evaluation reveals pros and cons associated with moving from preference elicitation per item to preference elicitation per group. The user experiments showed that the top-N recommendations list generated by our proposal contains more itens which users may be interested than the classic method, and that a greater number of groups positively impacts prediction accuracy, at the expense of greater user effort. Furthermore, we have found that, in comparison with a baseline interface of 15 items, users are able to complete the preference elicitation process in less than half the time.Submitted by Fernando Augusto Alves Vieira (fernandovieira@biblioteca.ufpb.br) on 2023-02-14T11:05:04Z No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) FabrícioLeiteSoares_Dissert.pdf: 2146108 bytes, checksum: 81d5f78774386547a26b70f6493f644d (MD5)Approved for entry into archive by Biblioteca Digital de Teses e Dissertações BDTD (bdtd@biblioteca.ufpb.br) on 2023-02-23T16:44:02Z (GMT) No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) FabrícioLeiteSoares_Dissert.pdf: 2146108 bytes, checksum: 81d5f78774386547a26b70f6493f644d (MD5)Made available in DSpace on 2023-02-23T16:44:02Z (GMT). No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) FabrícioLeiteSoares_Dissert.pdf: 2146108 bytes, checksum: 81d5f78774386547a26b70f6493f644d (MD5) Previous issue date: 2021-02-01Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESporUniversidade Federal da ParaíbaPrograma de Pós-Graduação em InformáticaUFPBBrasilInformáticaAttribution-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nd/3.0/br/info:eu-repo/semantics/openAccessCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOInformáticaAprendizagem de máquinaProblema da inicialização friaFiltragem colaborativaClusterizaçãoInteração homem-máquinaSistemas de recomendaçãoComputingMachine learningCold start problemCollaborative filteringClusteringHuman–computer interactionRecommendation systemsEstratégia e projeto de interação baseados em agrupamento de itens para a elicitação de preferências de novos usuários em sistemas de recomendaçãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisRêgo, Thaís Gaudencio dohttp://lattes.cnpq.br/3166390632199101Barbosa, Yuri de Almeida Malheiroshttp://lattes.cnpq.br/639623509623621707668390448http://lattes.cnpq.br/3164707777495319Soares, Fabrício Leitereponame:Repositório Institucional da UFPBinstname:Universidade Federal da Paraíba (UFPB)instacron:UFPBTEXTFabrícioLeiteSoares_Dissert.pdf.txtFabrícioLeiteSoares_Dissert.pdf.txtExtracted texttext/plain113810https://repositorio.ufpb.br/jspui/bitstream/123456789/26329/4/Fabr%c3%adcioLeiteSoares_Dissert.pdf.txt2650c8f29f2b831b47d61562fb75f35fMD54LICENSElicense.txtlicense.txttext/plain; charset=utf-82390https://repositorio.ufpb.br/jspui/bitstream/123456789/26329/3/license.txte20ac18e101915e6935b82a641b985c0MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.ufpb.br/jspui/bitstream/123456789/26329/2/license_rdfc4c98de35c20c53220c07884f4def27cMD52ORIGINALFabrícioLeiteSoares_Dissert.pdfFabrícioLeiteSoares_Dissert.pdfapplication/pdf2146108https://repositorio.ufpb.br/jspui/bitstream/123456789/26329/1/Fabr%c3%adcioLeiteSoares_Dissert.pdf81d5f78774386547a26b70f6493f644dMD51123456789/263292023-05-22 09:52:08.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Repositório InstitucionalPUB |
dc.title.pt_BR.fl_str_mv |
Estratégia e projeto de interação baseados em agrupamento de itens para a elicitação de preferências de novos usuários em sistemas de recomendação |
title |
Estratégia e projeto de interação baseados em agrupamento de itens para a elicitação de preferências de novos usuários em sistemas de recomendação |
spellingShingle |
Estratégia e projeto de interação baseados em agrupamento de itens para a elicitação de preferências de novos usuários em sistemas de recomendação Soares, Fabrício Leite CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Informática Aprendizagem de máquina Problema da inicialização fria Filtragem colaborativa Clusterização Interação homem-máquina Sistemas de recomendação Computing Machine learning Cold start problem Collaborative filtering Clustering Human–computer interaction Recommendation systems |
title_short |
Estratégia e projeto de interação baseados em agrupamento de itens para a elicitação de preferências de novos usuários em sistemas de recomendação |
title_full |
Estratégia e projeto de interação baseados em agrupamento de itens para a elicitação de preferências de novos usuários em sistemas de recomendação |
title_fullStr |
Estratégia e projeto de interação baseados em agrupamento de itens para a elicitação de preferências de novos usuários em sistemas de recomendação |
title_full_unstemmed |
Estratégia e projeto de interação baseados em agrupamento de itens para a elicitação de preferências de novos usuários em sistemas de recomendação |
title_sort |
Estratégia e projeto de interação baseados em agrupamento de itens para a elicitação de preferências de novos usuários em sistemas de recomendação |
author |
Soares, Fabrício Leite |
author_facet |
Soares, Fabrício Leite |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Rêgo, Thaís Gaudencio do |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/3166390632199101 |
dc.contributor.advisor-co1.fl_str_mv |
Barbosa, Yuri de Almeida Malheiros |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/6396235096236217 |
dc.contributor.authorID.fl_str_mv |
07668390448 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/3164707777495319 |
dc.contributor.author.fl_str_mv |
Soares, Fabrício Leite |
contributor_str_mv |
Rêgo, Thaís Gaudencio do Barbosa, Yuri de Almeida Malheiros |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Informática Aprendizagem de máquina Problema da inicialização fria Filtragem colaborativa Clusterização Interação homem-máquina Sistemas de recomendação Computing Machine learning Cold start problem Collaborative filtering Clustering Human–computer interaction Recommendation systems |
dc.subject.por.fl_str_mv |
Informática Aprendizagem de máquina Problema da inicialização fria Filtragem colaborativa Clusterização Interação homem-máquina Sistemas de recomendação Computing Machine learning Cold start problem Collaborative filtering Clustering Human–computer interaction Recommendation systems |
description |
Para oferecer recomendações personalizadas a um usuário, um Sistema de Recomendação faz uso de um processo de elicitação de preferências sempre que um novo usuário é registrado no sistema. Propomos que esta tarefa é melhor alcançada não pelo método clássico, onde os usuários começam por expressar preferências por itens individuais, mas sim expressando preferências por grupos de itens, uma vez que o método clássico converte de forma ineficiente o esforço de um usuário em um perfil personalizado. Testamos esta ideia desenvolvendo e avaliando um processo interativo, onde os usuários expressam preferências através de grupos de itens gerados automaticamente por algoritmos de clusterização (clustering). Tal estratégia de recomendação pode ser generalizada para qualquer sistema baseado em Filtragem Colaborativa. Avaliamos nosso processo, tanto com métodos de simulação offline usando o conjunto de dados MovieLens, quanto com um experimento online com 312 usuários. Nossa avaliação revela vantagens e desvantagens envolvidas na passagem da elicitação de preferências por item para a elicitação de preferências por grupo. Os experimentos com usuários mostraram que a lista de recomendações top-N gerada por nossa proposta contém mais filmes que usuários poderão estar interessados, em comparação com o método clássico, e que um maior número de grupos impacta positivamente a acurácia de previsões, ao custo de maior esforço de escolha do usuário. Constatamos ainda que, em comparação com uma interface baseline de 15 itens, os usuários são capazes de completar o processo de elicitação de preferências em menos da metade do tempo. |
publishDate |
2021 |
dc.date.available.fl_str_mv |
2021-02-18 2023-02-23T16:44:02Z |
dc.date.issued.fl_str_mv |
2021-02-01 |
dc.date.accessioned.fl_str_mv |
2023-02-23T16:44:02Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpb.br/jspui/handle/123456789/26329 |
url |
https://repositorio.ufpb.br/jspui/handle/123456789/26329 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal da Paraíba |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Informática |
dc.publisher.initials.fl_str_mv |
UFPB |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Informática |
publisher.none.fl_str_mv |
Universidade Federal da Paraíba |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPB instname:Universidade Federal da Paraíba (UFPB) instacron:UFPB |
instname_str |
Universidade Federal da Paraíba (UFPB) |
instacron_str |
UFPB |
institution |
UFPB |
reponame_str |
Repositório Institucional da UFPB |
collection |
Repositório Institucional da UFPB |
bitstream.url.fl_str_mv |
https://repositorio.ufpb.br/jspui/bitstream/123456789/26329/4/Fabr%c3%adcioLeiteSoares_Dissert.pdf.txt https://repositorio.ufpb.br/jspui/bitstream/123456789/26329/3/license.txt https://repositorio.ufpb.br/jspui/bitstream/123456789/26329/2/license_rdf https://repositorio.ufpb.br/jspui/bitstream/123456789/26329/1/Fabr%c3%adcioLeiteSoares_Dissert.pdf |
bitstream.checksum.fl_str_mv |
2650c8f29f2b831b47d61562fb75f35f e20ac18e101915e6935b82a641b985c0 c4c98de35c20c53220c07884f4def27c 81d5f78774386547a26b70f6493f644d |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
|
repository.mail.fl_str_mv |
|
_version_ |
1777562283332861952 |