Aumentando a acurácia de predição de avaliação de sistemas de recomendação de vídeo com o uso de pontos de interesse

Detalhes bibliográficos
Autor(a) principal: Dias, Alessandro da Silveira
Data de Publicação: 2013
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
Texto Completo: http://hdl.handle.net/10183/71271
Resumo: A cada dia aumenta o número de vídeos disponíveis no mundo. Por exemplo, há uma vasta quantidade de sites de vídeos disponíveis na Web e serviços de Vídeo Sob Demanda além de dispositivos que fazem a gravação de vídeos automaticamente, conhecidos como Personal Video Recorders, 24 horas por dia. Isso pode ocasionar um problema ao usuário: a sobrecarga de conteúdo em formato de vídeo. Uma das maneiras de se tratar tal problema consiste no uso de sistemas de recomendação, os quais filtram o conteúdo com o objetivo de entregar o que for mais interessante ao usuário. A abordagem típica utilizada pelos sistemas atuais consiste em um sistema de recomendação híbrido, i.e., que utiliza tanto filtragem baseada em conteúdo quanto filtragem colaborativa, minimizando os problemas que tais abordagens possuem individualmente. Adicionalmente, com o objetivo de melhorar a recomendação ou de criar novas formas de recomendação, têm sido apresentadas novas abordagens, tais como sistemas de recomendação utilizando dados de redes sociais, computação afetiva, tags, entre outros. Este trabalho tem como objetivo apresentar uma abordagem inovadora, a qual utiliza pontos de interesse em vídeo de usuários (ou seja, os segmentos dos vídeos que eles mais gostam ou que mais se interessam) para melhorar a acurácia de predição de sistemas de recomendação de vídeo que utilizam filtragem colaborativa baseados na abordagem usuário-usuário. Na abordagem proposta, os usuários participam de forma mais ativa e mais interativa ao marcarem seus pontos de interesse. Para avaliação de tal abordagem proposta foi realizada uma avaliação experimental em termos de acurácia de predição de avaliação; pela qual constatou-se que houve melhora na predição de avaliação do sistema de recomendação. Tal melhora está diretamente relacionada com o nível de participação das pessoas na marcação de pontos de interesse.
id URGS_39de5a39141edadc38666334bee85758
oai_identifier_str oai:www.lume.ufrgs.br:10183/71271
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str 1853
spelling Dias, Alessandro da SilveiraWives, Leandro KrugRoesler, Valter2013-05-07T01:49:47Z2013http://hdl.handle.net/10183/71271000879865A cada dia aumenta o número de vídeos disponíveis no mundo. Por exemplo, há uma vasta quantidade de sites de vídeos disponíveis na Web e serviços de Vídeo Sob Demanda além de dispositivos que fazem a gravação de vídeos automaticamente, conhecidos como Personal Video Recorders, 24 horas por dia. Isso pode ocasionar um problema ao usuário: a sobrecarga de conteúdo em formato de vídeo. Uma das maneiras de se tratar tal problema consiste no uso de sistemas de recomendação, os quais filtram o conteúdo com o objetivo de entregar o que for mais interessante ao usuário. A abordagem típica utilizada pelos sistemas atuais consiste em um sistema de recomendação híbrido, i.e., que utiliza tanto filtragem baseada em conteúdo quanto filtragem colaborativa, minimizando os problemas que tais abordagens possuem individualmente. Adicionalmente, com o objetivo de melhorar a recomendação ou de criar novas formas de recomendação, têm sido apresentadas novas abordagens, tais como sistemas de recomendação utilizando dados de redes sociais, computação afetiva, tags, entre outros. Este trabalho tem como objetivo apresentar uma abordagem inovadora, a qual utiliza pontos de interesse em vídeo de usuários (ou seja, os segmentos dos vídeos que eles mais gostam ou que mais se interessam) para melhorar a acurácia de predição de sistemas de recomendação de vídeo que utilizam filtragem colaborativa baseados na abordagem usuário-usuário. Na abordagem proposta, os usuários participam de forma mais ativa e mais interativa ao marcarem seus pontos de interesse. Para avaliação de tal abordagem proposta foi realizada uma avaliação experimental em termos de acurácia de predição de avaliação; pela qual constatou-se que houve melhora na predição de avaliação do sistema de recomendação. Tal melhora está diretamente relacionada com o nível de participação das pessoas na marcação de pontos de interesse.Every day the number of videos available in the world increases. For example, there is a vast amount of video sites available on the Web, Video On Demand services, as well as devices that records videos automatically, known as Personal Video Recorders, 24 hours a day. It may create a problem for the user: the overload of content in video format. One of the ways to treat such problem is the use of recommender systems, which filter the content in order to deliver what is most interesting to the user. The typical approach is to present a hybrid recommender system, i.e., that uses both contentbased filtering and collaborative filtering, minimizing the problems that these approaches have individually. Additionally, in order to improve the recommendation or to create new approaches of recommendation, has been given new approaches such as systems using data from social networks, affective computing, tags, etc. This paper aims to present an innovative approach, which uses points of interest (POI) in video of users (i.e., video segments best liked or most interested by them) to augment the prediction accuracy of video recommender systems with collaborative filtering based in the useruser approach. In the proposed approach, users participate more actively and more interactively to mark their points of interest. To evaluate this proposed approach an experimental evaluation was performed in terms of accuracy of ratings predictions; in which it was verified that there was an improvement in ratings prediction accuracy of the recommendation system. This improvement is directly related to the level of participation of people in marking points of interest.application/pdfporRecuperação da informaçãoServiços WebVídeo digitalVideo recommender systemRecommender systemPoints of interestAumentando a acurácia de predição de avaliação de sistemas de recomendação de vídeo com o uso de pontos de interesseEnhancing the Predictions accuracy of POI video recommender systems info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2013mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000879865.pdf000879865.pdfTexto completoapplication/pdf2452440http://www.lume.ufrgs.br/bitstream/10183/71271/1/000879865.pdf49b02ff3e41e55f6783de295c1fd9e51MD51TEXT000879865.pdf.txt000879865.pdf.txtExtracted Texttext/plain173757http://www.lume.ufrgs.br/bitstream/10183/71271/2/000879865.pdf.txtacb5904d9cc822978d5baf99e36a5c6bMD52THUMBNAIL000879865.pdf.jpg000879865.pdf.jpgGenerated Thumbnailimage/jpeg1137http://www.lume.ufrgs.br/bitstream/10183/71271/3/000879865.pdf.jpg89e3cacf6bb17575a5fb28e9e6c87157MD5310183/712712018-10-17 07:28:34.118oai:www.lume.ufrgs.br:10183/71271Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532018-10-17T10:28:34Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Aumentando a acurácia de predição de avaliação de sistemas de recomendação de vídeo com o uso de pontos de interesse
dc.title.alternative.en.fl_str_mv Enhancing the Predictions accuracy of POI video recommender systems
title Aumentando a acurácia de predição de avaliação de sistemas de recomendação de vídeo com o uso de pontos de interesse
spellingShingle Aumentando a acurácia de predição de avaliação de sistemas de recomendação de vídeo com o uso de pontos de interesse
Dias, Alessandro da Silveira
Recuperação da informação
Serviços Web
Vídeo digital
Video recommender system
Recommender system
Points of interest
title_short Aumentando a acurácia de predição de avaliação de sistemas de recomendação de vídeo com o uso de pontos de interesse
title_full Aumentando a acurácia de predição de avaliação de sistemas de recomendação de vídeo com o uso de pontos de interesse
title_fullStr Aumentando a acurácia de predição de avaliação de sistemas de recomendação de vídeo com o uso de pontos de interesse
title_full_unstemmed Aumentando a acurácia de predição de avaliação de sistemas de recomendação de vídeo com o uso de pontos de interesse
title_sort Aumentando a acurácia de predição de avaliação de sistemas de recomendação de vídeo com o uso de pontos de interesse
author Dias, Alessandro da Silveira
author_facet Dias, Alessandro da Silveira
author_role author
dc.contributor.author.fl_str_mv Dias, Alessandro da Silveira
dc.contributor.advisor1.fl_str_mv Wives, Leandro Krug
dc.contributor.advisor-co1.fl_str_mv Roesler, Valter
contributor_str_mv Wives, Leandro Krug
Roesler, Valter
dc.subject.por.fl_str_mv Recuperação da informação
Serviços Web
Vídeo digital
topic Recuperação da informação
Serviços Web
Vídeo digital
Video recommender system
Recommender system
Points of interest
dc.subject.eng.fl_str_mv Video recommender system
Recommender system
Points of interest
description A cada dia aumenta o número de vídeos disponíveis no mundo. Por exemplo, há uma vasta quantidade de sites de vídeos disponíveis na Web e serviços de Vídeo Sob Demanda além de dispositivos que fazem a gravação de vídeos automaticamente, conhecidos como Personal Video Recorders, 24 horas por dia. Isso pode ocasionar um problema ao usuário: a sobrecarga de conteúdo em formato de vídeo. Uma das maneiras de se tratar tal problema consiste no uso de sistemas de recomendação, os quais filtram o conteúdo com o objetivo de entregar o que for mais interessante ao usuário. A abordagem típica utilizada pelos sistemas atuais consiste em um sistema de recomendação híbrido, i.e., que utiliza tanto filtragem baseada em conteúdo quanto filtragem colaborativa, minimizando os problemas que tais abordagens possuem individualmente. Adicionalmente, com o objetivo de melhorar a recomendação ou de criar novas formas de recomendação, têm sido apresentadas novas abordagens, tais como sistemas de recomendação utilizando dados de redes sociais, computação afetiva, tags, entre outros. Este trabalho tem como objetivo apresentar uma abordagem inovadora, a qual utiliza pontos de interesse em vídeo de usuários (ou seja, os segmentos dos vídeos que eles mais gostam ou que mais se interessam) para melhorar a acurácia de predição de sistemas de recomendação de vídeo que utilizam filtragem colaborativa baseados na abordagem usuário-usuário. Na abordagem proposta, os usuários participam de forma mais ativa e mais interativa ao marcarem seus pontos de interesse. Para avaliação de tal abordagem proposta foi realizada uma avaliação experimental em termos de acurácia de predição de avaliação; pela qual constatou-se que houve melhora na predição de avaliação do sistema de recomendação. Tal melhora está diretamente relacionada com o nível de participação das pessoas na marcação de pontos de interesse.
publishDate 2013
dc.date.accessioned.fl_str_mv 2013-05-07T01:49:47Z
dc.date.issued.fl_str_mv 2013
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 http://hdl.handle.net/10183/71271
dc.identifier.nrb.pt_BR.fl_str_mv 000879865
url http://hdl.handle.net/10183/71271
identifier_str_mv 000879865
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/71271/1/000879865.pdf
http://www.lume.ufrgs.br/bitstream/10183/71271/2/000879865.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/71271/3/000879865.pdf.jpg
bitstream.checksum.fl_str_mv 49b02ff3e41e55f6783de295c1fd9e51
acb5904d9cc822978d5baf99e36a5c6b
89e3cacf6bb17575a5fb28e9e6c87157
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1800309031328284672

Registros relacionados