Combinando novidade e popularidade em recomendações personalizadas através do aprendizado do perfil do usuário.
Autor(a) principal: | |
---|---|
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 |