Investigação da combinação de filtragem colaborativa e recomendação baseada em confiança através de medidas de esparsidade

Sistemas de recomendação têm desempenhado um papel importante em diferentes contextos de aplicação (e.g recomendação de produtos, filmes, músicas, livros, dentre outros). Eles automaticamente sugerem a cada usuário itens que podem ser relevantes, evitando que o usuário tenha que analisar uma quantid...

Descripción completa

Detalles Bibliográficos
Autor: AZUIRSON, Gabriel de Albuquerque Veloso
Tipo de recurso: tesis de maestría
Estado:Versión publicada
Fecha de publicación:2015
País:Brasil
Institución:Universidade Federal de Pernambuco (UFPE)
Repositorio:Repositório Institucional da UFPE
Idioma:portugués
OAI Identifier:oai:repositorio.ufpe.br:123456789/15900
Acceso en línea:https://repositorio.ufpe.br/handle/123456789/15900
Access Level:acceso abierto
Palabra clave:Sistemas de Recomendação
Fatoração de Matriz
Filtragem Colaborativa
Sistemas de Recomendação Baseados em Confiança
Medidas de Esparsidade
Recommender Systems
Collaborative Filtering
Matrix Factorization
Trust-Based Recommendation Systems
Sparsity Measures
id BR_60a0999d5d92246f24564c57a633b90f
oai_identifier_str oai:repositorio.ufpe.br:123456789/15900
network_acronym_str BR
network_name_str Brasil
repository_id_str
dc.title.none.fl_str_mv Investigação da combinação de filtragem colaborativa e recomendação baseada em confiança através de medidas de esparsidade
title Investigação da combinação de filtragem colaborativa e recomendação baseada em confiança através de medidas de esparsidade
spellingShingle Investigação da combinação de filtragem colaborativa e recomendação baseada em confiança através de medidas de esparsidade
AZUIRSON, Gabriel de Albuquerque Veloso
Sistemas de Recomendação
Fatoração de Matriz
Filtragem Colaborativa
Sistemas de Recomendação Baseados em Confiança
Medidas de Esparsidade
Recommender Systems
Collaborative Filtering
Matrix Factorization
Trust-Based Recommendation Systems
Sparsity Measures
title_short Investigação da combinação de filtragem colaborativa e recomendação baseada em confiança através de medidas de esparsidade
title_full Investigação da combinação de filtragem colaborativa e recomendação baseada em confiança através de medidas de esparsidade
title_fullStr Investigação da combinação de filtragem colaborativa e recomendação baseada em confiança através de medidas de esparsidade
title_full_unstemmed Investigação da combinação de filtragem colaborativa e recomendação baseada em confiança através de medidas de esparsidade
title_sort Investigação da combinação de filtragem colaborativa e recomendação baseada em confiança através de medidas de esparsidade
dc.creator.none.fl_str_mv AZUIRSON, Gabriel de Albuquerque Veloso
author AZUIRSON, Gabriel de Albuquerque Veloso
author_facet AZUIRSON, Gabriel de Albuquerque Veloso
author_role author
dc.contributor.none.fl_str_mv PRUDÊNCIO, Ricardo Bastos Cavalcante
dc.subject.por.fl_str_mv Sistemas de Recomendação
Fatoração de Matriz
Filtragem Colaborativa
Sistemas de Recomendação Baseados em Confiança
Medidas de Esparsidade
Recommender Systems
Collaborative Filtering
Matrix Factorization
Trust-Based Recommendation Systems
Sparsity Measures
topic Sistemas de Recomendação
Fatoração de Matriz
Filtragem Colaborativa
Sistemas de Recomendação Baseados em Confiança
Medidas de Esparsidade
Recommender Systems
Collaborative Filtering
Matrix Factorization
Trust-Based Recommendation Systems
Sparsity Measures
description Sistemas de recomendação têm desempenhado um papel importante em diferentes contextos de aplicação (e.g recomendação de produtos, filmes, músicas, livros, dentre outros). Eles automaticamente sugerem a cada usuário itens que podem ser relevantes, evitando que o usuário tenha que analisar uma quantidade gigantesca de itens para realizar sua escolha. Filtragem colaborativa (FC) é a abordagem mais popular para a construção de sistemas de recomendação, embora sofra com problemas relacionados à esparsidade dos dados (e.g., usuários ou itens com poucas avaliações). Neste trabalho, investigamos a combinação de técnicas de FC, representada pela técnica de Fatoração de Matrizes, e técnicas de recomendação baseada em confiança (RBC) em redes sociais para aliviar o problema da esparsidade dos dados. Sistemas de RBC têm se mostrado de fato efetivos para aumentar a qualidade das recomendações, em especial para usuários com poucas avaliações realizadas (e.g., usuários novos). Entretanto, o desempenho relativo entre técnicas de FC e de RBC pode depender da quantidade de informação útil presente nas bases de dados. Na arquitetura proposta nesse trabalho, as predições geradas por técnicas de FC e de RBC são combinadas de forma ponderada através de medidas de esparsidade calculadas para usuários e itens. Para isso, definimos inicialmente um conjunto de medidas de esparsidade que serão calculadas sobre a matriz de avaliações usuários-itens e matriz de confiança usuários-usuários. Através de experimentos realizados utilizando a base de dados Epinions, observamos que a proposta de combinação trouxe uma melhoria nas taxas de erro e na cobertura em comparação com as técnicas isoladamente.
publishDate 2015
dc.date.none.fl_str_mv 2015-08-06
2016-03-11T15:25:20Z
2016-03-11T15:25:20Z
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.ufpe.br/handle/123456789/15900
dc.identifier.dark.fl_str_mv ark:/64986/0013000014dp2
url https://repositorio.ufpe.br/handle/123456789/15900
identifier_str_mv ark:/64986/0013000014dp2
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1853667475547226112
spelling Investigação da combinação de filtragem colaborativa e recomendação baseada em confiança através de medidas de esparsidadeSistemas de RecomendaçãoFatoração de MatrizFiltragem ColaborativaSistemas de Recomendação Baseados em ConfiançaMedidas de EsparsidadeRecommender SystemsCollaborative FilteringMatrix FactorizationTrust-Based Recommendation SystemsSparsity MeasuresSistemas de recomendação têm desempenhado um papel importante em diferentes contextos de aplicação (e.g recomendação de produtos, filmes, músicas, livros, dentre outros). Eles automaticamente sugerem a cada usuário itens que podem ser relevantes, evitando que o usuário tenha que analisar uma quantidade gigantesca de itens para realizar sua escolha. Filtragem colaborativa (FC) é a abordagem mais popular para a construção de sistemas de recomendação, embora sofra com problemas relacionados à esparsidade dos dados (e.g., usuários ou itens com poucas avaliações). Neste trabalho, investigamos a combinação de técnicas de FC, representada pela técnica de Fatoração de Matrizes, e técnicas de recomendação baseada em confiança (RBC) em redes sociais para aliviar o problema da esparsidade dos dados. Sistemas de RBC têm se mostrado de fato efetivos para aumentar a qualidade das recomendações, em especial para usuários com poucas avaliações realizadas (e.g., usuários novos). Entretanto, o desempenho relativo entre técnicas de FC e de RBC pode depender da quantidade de informação útil presente nas bases de dados. Na arquitetura proposta nesse trabalho, as predições geradas por técnicas de FC e de RBC são combinadas de forma ponderada através de medidas de esparsidade calculadas para usuários e itens. Para isso, definimos inicialmente um conjunto de medidas de esparsidade que serão calculadas sobre a matriz de avaliações usuários-itens e matriz de confiança usuários-usuários. Através de experimentos realizados utilizando a base de dados Epinions, observamos que a proposta de combinação trouxe uma melhoria nas taxas de erro e na cobertura em comparação com as técnicas isoladamente.Recommender systems have played an important role in different application contexts (e.g recommendation of products, movies, music, books, among others). They automatically suggest each user items that may be relevant, preventing the user having to analyze a huge amount of items to make your choice. Collaborative filtering (CF) is the most popular approach for building recommendation systems, although suffering with sparsity of the data-related issues (eg, users or items with few evaluations). In this study, we investigated the combination of CF techniques represented by matrix factorization technique, and trust-based recommendation techniques (TBR) on social networks to alleviate the problem of data sparseness. TBR systems have in fact proven to be effective to increase the quality of the recommendations, especially for users with few assessments already carried out (e.g., cold start users). However, the relative performance between CF and TBR techniques may depend on the amount of useful information contained in the databases. In the proposed architecture in this work, the predictions generated by CF and TBR techniques are weighted combined through sparsity measures calculated to users and items. To do this, first we define a set of sparsity measures that will be calculated on the matrix of ratings users-items and matrix of trust users-users. Through experiments using Epinions database, we note that the proposed combination brought an improvement in error rates and coverage compared to combined techniques.Universidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em Ciencia da ComputacaoPRUDÊNCIO, Ricardo Bastos Cavalcante2016-03-11T15:25:20Z2016-03-11T15:25:20Z2015-08-06info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://repositorio.ufpe.br/handle/123456789/15900ark:/64986/0013000014dp2porAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEAZUIRSON, Gabriel de Albuquerque Veloso2019-10-25T10:31:07Zoai:repositorio.ufpe.br:123456789/15900Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T10:31:07Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
score 15,300719

Similares en LA Referencia