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: Soares, Fabrício Leite
• 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
• 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

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.