Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.

Detalhes bibliográficos
Autor(a) principal: Bertani, Ricardo Mitollo
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: http://www.teses.usp.br/teses/disponiveis/3/3141/tde-28022020-111422/
Resumo: Sistemas de recomendação têm sido amplamente utilizados por grandes empresas do segmento de e-commerce como ferramenta de auxílio na busca de conteúdos relevantes de acordo com as preferências particulares dos usuários. Uma ampla variedade de algoritmos tem sido apresentada na literatura com o objetivo de aprimorar o processo de geração de recomendações; em particular, destacam-se aqueles baseados em filtragem colaborativa, os quais ainda falham em dados esparsos, afetando a qualidade das recomendações. Para mitigar essa lacuna, um algoritmo híbrido baseado em difusão foi proposto na literatura; no entanto, este algoritmo não diferencia os usuários de acordo com seus perfis. Nesta pesquisa, um novo algoritmo é apresentado para o aprendizado do perfil dos usuários e consequente geração de recomendações personalizadas através de difusão, combinando itens pouco conhecidos (novidade) a itens populares. Os experimentos realizados em três conjuntos de dados bem conhecidos na literatura mostram que os resultados superam aqueles obtidos pelo algoritmo original baseado em difusão, assim como os obtidos pelo algoritmo tradicional colaborativo, sob as mesmas configurações.
id USP_0ba3c4d47072d36bf4cde7536bf96800
oai_identifier_str oai:teses.usp.br:tde-28022020-111422
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.Combining novelty and popularity on personalized recommendations via user profile learning.Algoritmos baseados em difusãoAlgoritmos e estruturas de dadosAprendizado computacionalData sparsityDiffusionbased algorithmsEsparsidade dos dadosInteligência artificialMachine learningPerfil do usuárioPersonalidadeRecommender systemsSistemas de recomendaçãoUser ProfileSistemas de recomendação têm sido amplamente utilizados por grandes empresas do segmento de e-commerce como ferramenta de auxílio na busca de conteúdos relevantes de acordo com as preferências particulares dos usuários. Uma ampla variedade de algoritmos tem sido apresentada na literatura com o objetivo de aprimorar o processo de geração de recomendações; em particular, destacam-se aqueles baseados em filtragem colaborativa, os quais ainda falham em dados esparsos, afetando a qualidade das recomendações. Para mitigar essa lacuna, um algoritmo híbrido baseado em difusão foi proposto na literatura; no entanto, este algoritmo não diferencia os usuários de acordo com seus perfis. Nesta pesquisa, um novo algoritmo é apresentado para o aprendizado do perfil dos usuários e consequente geração de recomendações personalizadas através de difusão, combinando itens pouco conhecidos (novidade) a itens populares. Os experimentos realizados em três conjuntos de dados bem conhecidos na literatura mostram que os resultados superam aqueles obtidos pelo algoritmo original baseado em difusão, assim como os obtidos pelo algoritmo tradicional colaborativo, sob as mesmas configurações.Recommender systems have been widely used by large companies in the ecommerce segment as an aid tool in finding relevant content according to users\' particular preferences. A wide variety of algorithms have been presented in the literature to improve the recommendation generation process; In particular, those based on collaborative filtering, which still fail with sparse data, affecting the quality of recommendations. In order to mitigate this gap, a diffusion-based hybrid algorithm has been proposed in the literature; However, this algorithm does not differentiate users according to their profiles. In this research, a new algorithm is presented for learning the users profile and consequent generation of personalized recommendations through diffusion, combining little known items (novelty) with popular items. Experiments performed on three well-known data sets in the literature show that the results outperform those obtained by the original diffusion-based algorithm, as well as those obtained by the traditional collaborative algorithm, under the same configurations.Biblioteca Digitais de Teses e Dissertações da USPCosta, Anna Helena RealiBertani, Ricardo Mitollo2019-11-21info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/3/3141/tde-28022020-111422/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2020-02-28T17:36:02Zoai:teses.usp.br:tde-28022020-111422Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212020-02-28T17:36:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
Combining novelty and popularity on personalized recommendations via user profile learning.
title Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
spellingShingle Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
Bertani, Ricardo Mitollo
Algoritmos baseados em difusão
Algoritmos e estruturas de dados
Aprendizado computacional
Data sparsity
Diffusionbased algorithms
Esparsidade dos dados
Inteligência artificial
Machine learning
Perfil do usuário
Personalidade
Recommender systems
Sistemas de recomendação
User Profile
title_short Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
title_full Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
title_fullStr Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
title_full_unstemmed Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
title_sort Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
author Bertani, Ricardo Mitollo
author_facet Bertani, Ricardo Mitollo
author_role author
dc.contributor.none.fl_str_mv Costa, Anna Helena Reali
dc.contributor.author.fl_str_mv Bertani, Ricardo Mitollo
dc.subject.por.fl_str_mv Algoritmos baseados em difusão
Algoritmos e estruturas de dados
Aprendizado computacional
Data sparsity
Diffusionbased algorithms
Esparsidade dos dados
Inteligência artificial
Machine learning
Perfil do usuário
Personalidade
Recommender systems
Sistemas de recomendação
User Profile
topic Algoritmos baseados em difusão
Algoritmos e estruturas de dados
Aprendizado computacional
Data sparsity
Diffusionbased algorithms
Esparsidade dos dados
Inteligência artificial
Machine learning
Perfil do usuário
Personalidade
Recommender systems
Sistemas de recomendação
User Profile
description Sistemas de recomendação têm sido amplamente utilizados por grandes empresas do segmento de e-commerce como ferramenta de auxílio na busca de conteúdos relevantes de acordo com as preferências particulares dos usuários. Uma ampla variedade de algoritmos tem sido apresentada na literatura com o objetivo de aprimorar o processo de geração de recomendações; em particular, destacam-se aqueles baseados em filtragem colaborativa, os quais ainda falham em dados esparsos, afetando a qualidade das recomendações. Para mitigar essa lacuna, um algoritmo híbrido baseado em difusão foi proposto na literatura; no entanto, este algoritmo não diferencia os usuários de acordo com seus perfis. Nesta pesquisa, um novo algoritmo é apresentado para o aprendizado do perfil dos usuários e consequente geração de recomendações personalizadas através de difusão, combinando itens pouco conhecidos (novidade) a itens populares. Os experimentos realizados em três conjuntos de dados bem conhecidos na literatura mostram que os resultados superam aqueles obtidos pelo algoritmo original baseado em difusão, assim como os obtidos pelo algoritmo tradicional colaborativo, sob as mesmas configurações.
publishDate 2019
dc.date.none.fl_str_mv 2019-11-21
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://www.teses.usp.br/teses/disponiveis/3/3141/tde-28022020-111422/
url http://www.teses.usp.br/teses/disponiveis/3/3141/tde-28022020-111422/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1809091143076413440

Registros relacionados