Defesa de Dissertação de Mestrado N.º 579 - Nailson Boaz Costa Leite, em 30/11, às 14hs

postado em 30 de out de 2015 05:01 por Franklin de Souza Ramalho   [ 9 de nov de 2015 11:44 atualizado‎(s)‎ ]
Candidato: Nailson Boaz Costa Leite
Título do trabalho: "Uma Abordagem baseada em Linked Open Data para Diversificação de Recomendações
Orientador(es): Leandro Balby Marinho e Carlos Eduardo Santos Pires

Data: 30/11/2015
Horário: 14h
Local: Auditório do LSD

Banca examinadora: Leandro Balby Marinho e Carlos Eduardo Santos Pires (Orientadores), Rodrygo Luis Teodoro Santos (Universidade Federal de Minas Gerais), Nazareno Andrade (UFCG), (UFCG). 

Resumo: A diversidade é um conceito importante em Sistemas de Recomendação (SR), considerando que recomendações diversificadas podem melhorar a experiência do usuário em encontrar itens interessantes e relevantes. A diversidade em SR é principalmente alcançada considerando dois aspectos: (i) a semelhança entre os itens da lista de recomendação, sob a suposição de que quanto mais dissimilar, mais diversa é a lista; e (ii) a cobertura dos atributos dos itens em um determinado âmbito, ou seja, quanto mais atributos cobertos na lista de recomendação (por exemplo, as gêneros na recomendação de artistas musicais), a mais diversa é a lista. Dado que a dificuldade de acessar ou extrair atributos dos items (i) ainda é um tópico predominantemente explorado na literatura. No entanto, graças à Web Semântica e a iniciativa Linked Open Data (LOD), vários atributos comumente encontrados em muitos domínios de recomendação (por exemplo, filmes, livros e música) estão agora disponíveis publicamente em bases de dados RDF, conectadas entre si na chamada LOD Cloud. Neste trabalho, propomos uma nova abordagem para a diversificação em sistemas de recomendação que explora as relações semânticas entre os atributos dos itens encontrados em repositórios de LOD, bem como as suas várias dimensões de conteúdo. Outra contribuição deste trabalho é que lidamos com o típico trade-off entre a precisão e a diversidade das recomendações por inferir o grau de diversificação (utilizado como parâmetro ao diversificador) diretamente do perfil do usuário. Realizamos uma avaliação completa da nossa abordagem em dados reais de usuários coletados no Last.fm, uma rede social e scrobbler on-line de músicas, mostramos que a nossa abordagem complementa os trabalhos relacionados por ser capaz de diversificar as recomendações em vários atributos dos itens, sem entretanto comprometer de forma abrupta a precisão do recomendador.
Comments