Diversificação em sistemas de recomendação utilizando uma abordagem baseada em aspectos.

• Ano de defesa: 2020
• Autor(a) principal: OLIVEIRA, Ricardo Santos de.
• Orientador(a): MARINHO, Leandro Balby.
• Banca de defesa: PEREIRA, Eanes Torres., CAMPELO, Cláudio Elízio Calazans., SANTOS, Rodrygo Luis Teodoro., MOURA, Edleno Silva de.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande
• Programa de Pós-Graduação: PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
• Departamento: Centro de Engenharia Elétrica e Informática - CEEI
• País: Brasil
• Palavras-chave em Português: Sistemas de Recomendação; Ciência de Dados; Metodologia e Técnicas da Computação; Diversificação; Multiobjetivo; Multi-Armed Bandits; Recommendation Systems; Data Science; Computing Methodology and Techniques; Diversification; Multiobjective
• Área do conhecimento CNPq: Ciência da Computação
• Link de acesso: https://dspace.sti.ufcg.edu.br/handle/riufcg/13223

Muitas abordagens de sistemas de recomendação bem sucedidas são baseadas na otimização de uma função de utilidade explícita definida em termos da diferença entre o item previsto e os itens presentes no histórico do usuário. Dessa forma, busca-se aumentar a probabilidade de itens relevantes serem recomendados ao usuário. Apesar de efetiva, essa abordagem pode levar a recomendações que, apesar de relevantes, sejam óbvias e desinteressantes, uma vez que o usuário poderia, em muitas ocasiões, descobrir estes itens de interesses em o auxílio de um sistema de recomendação. Muitas abordagens investigam esse problema tentando evitar listas de recomendação cujos itens sejam muito similares entre si, caracterizando uma recomendação diversa, com respeito a alguns aspectos do item, sem que isso acarrete numa consequente degradação da relevância dos itens recomendados. Entretanto, os usuários podem ter preferências diferentes no que diz respeito a quais aspectos devem ser diversificados e quais aspectos devem ser semelhantes ao seu gosto passado e/ou atual. Neste trabalho, essas considerações são levadas em conta para a proposição de modelos baseados em otimização multiobjectivo para a geração de listas de recomendação que buscam o balanço ótimo entre os aspectos que devem ser mantidos fixos, maximizando a similaridade com itens previamente consumidos pelo usuário, e aspectos que devem ser diversificados, minimizando-se a similaridade e com outros itens na lista de recomendação. Para avaliar os modelos propostos foram conduzidos experimentos utilizando-se dados reais de históricos de usuários do Last.fm, em conjunto com metadados acerca dos itens recomendados, obtidos em múltiplas fontes. Foram realizadas avaliações tanto offline, istoé, utilizando todo o histórico do usuário para produzir a avaliação, como online, onde recomendações são geradas ao longo de uma linha do tempo, levando em consideração alterações nos interesses do usuário que devem ser refletidas na recomendação, o que reflete a aplicação real de um sistema de recomendação. Os resultados obtidos nos experimentos demonstram a efetividade dos modelos propostos tanto offline como online, em comparação a abordagens estado-da-arte da literatura com propostas semelhantes.