Defesa de Proposta de Dissertação de Mestrado de Augusto Queiroz de Macedo 27/11 às 16hs

postado em 22 de nov de 2013 23:27 por Franklin de Souza Ramalho   [ 23 de nov de 2013 09:33 atualizado‎(s)‎ ]
Candidato: Augusto Queiroz de Macedo
Título do trabalho: Aprendizagem Multirrelacional para Recomendação em Redes Sociais de Eventos
Orientador(es): Leandro Balby Marinho

Data: 27/11/2013
Horário: 16h
Local: Auditório do LSD

Banca examinadora: Herman M. Gomes e Nazareno Andrade

Resumo: Nos últimos anos, redes sociais baseadas em eventos (EBSNs), tais como o Meetup
(www.meetup.com) e Eventful (www.eventful.com), ganharam bastante notoriedade por
causa de sua habilidade em conectar pessoas ao redor dos eventos que elas participaram no
passado e provavelmente participarão no futuro. Eventos são criados todos os dias com
diferentes facetas e objetivos. Por exemplo, encontros informais, reuniões periódicas,
atividades ao ar livre, concertos músicais, eventos esportivos e muitos outros.

Devido à grande quantidade de eventos disponíveis o tempo todo, especialmente em
grandes metrópoles e cidades turísticas, tem se tornado bastante difícil para os usuários,
encontrarem os eventos que melhor se adequam aos seus interesses. Sistemas de
recomendação aparecem como uma solução natural para esse problema. A recomendação
de eventos, entretanto, é bastante diferente do cenário clássico de recomendação (e.g.
recomendação de filmes), onde os itens recomendáveis já foram acessados ou avaliados por
outros usuários do sistema. Em EBSNs, os eventos candidatos a serem recomendados estão
sempre no futuro, portanto, a princípio, só se pode usar a intenção dos usuários em participar
ou não do evento e, a partir daí, extrair feedback positivo ou negativo sobre os eventos para
alimentar o modelo de recomendação escolhido.

Felizmente, EBSNs são ricas em informações contextuais, como, por exemplo, as redes
sociais dos usuários, as categorias dos eventos e a localização geográfica dos usuários e
dos eventos. Essas informações certamente influenciam as preferências do usuário por um
evento e, se exploradas apropriadamente, podem ajudar a melhorar a qualidade das
recomendações. Dessa forma, propomos a modelagem da recomendação de eventos
através da aprendizagem multirrelacional que se utiliza explicitamente dos dados contextuais
representando-os através de relações auxiliares entre os usuários, eventos e outras
entidades como o tempo e a localização. Os modelos buscarão realizar recomendações não
somente acuradas, mas que também escalem com o crescimento dos dados, que garantam
uma cobertura dos itens e usuários dentre outras propriedades igualmente importantes para
a satisfação dos usuários.
Comments