Identificação de uma vizinhança relevante em sistemas de recomendação para TV interativa utilizando tela secundária

• Ano de defesa: 2021
• Autor(a) principal: Ricardo Erikson Veras de Sena Rosa
• Orientador(a): Vicente Ferreira de Lucena Junior
• Banca de defesa: Walmir Matos Caminhas, Guilherme Augusto Silva Pereira, Cícero Ferreira Fernandes Costa Filho, Lucas Carvalho Cordeiro
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Minas Gerais
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
• Departamento: ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA
• País: Brasil
• Palavras-chave em Português: Sistemas de recomendação; Filtragem colaborativa; Multimídia interativa; Similaridade; TV Interativa
• Link de acesso: http://hdl.handle.net/1843/37337; https://orcid.org/0000-0003-2750-4148

Os avanços nas tecnologias de comunicação permitiram a expansão dos serviços de TV, o que possibilitou a disponibilização de uma quantidade crescente de conteúdo audiovisual. Essa grande quantidade de conteúdo introduz um problema conhecido como sobrecarga de informação, onde os usuários não conseguem encontrar conteúdo de seu interesse de maneira eficiente e em tempo hábil. Nesse sentido, os sistemas de recomendação (SRs) surgem como uma ferramenta promissora para ajudar os usuários a superarem o problema da sobrecarga de informação. Esse trabalho explora dois desafios dos SRs para TV Interativa: obtenção dos dados de interação e a melhoria da precisão das recomendações. O primeiro desafio ocorre devido à natureza coletiva dos ambientes de TV, onde a interação tipicamente acontece por meio de um controle remoto que muitas vezes é compartilhado por um grupo de usuários. Por conta disso, é difícil identificar o autor de cada interação de maneira que seja possível utilizar os dados obtidos para customizar conteúdo para um usuário específico com base em suas interações individuais. O segundo desafio é inerente dos SRs. Uma precisão maior se traduz em menos erros de recomendação, o que eleva a confiança dos usuários na utilização do sistema. Para atacar esses desafios, esse trabalho se propõe, primeiramente, a utilizar dispositivos de tela secundária para facilitar a captura de dados individuais dos usuários. Por serem de uso pessoal, as interações realizadas por meio dos dispositivos de tela secundária podem ser identificadas a partir da sua origem. Para melhorar a precisão das recomendações, esse trabalho busca encontrar uma vizinhança mais adequada com base na similaridade entre usuários que avaliaram grupos de objetos relacionados, chamada de similaridade local. Nesse sentido, o método proposto utiliza técnicas baseadas em clusterização, alocação de recursos e normalização. A avaliação dos métodos propostos é realizada por meio da identificação e implementação de cenários para a captura individualizada de dados de interação, e por meio da utilização de métricas de precisão utilizando três bases de dados amplamente adotadas na literatura: MovieLens 100k, MovieLens 1M e Netflix. Os resultados alcançados sugerem a viabilidade técnica do método de captura de dados utilizando telas secundárias e uma melhora na precisão das predições do método proposto para a recomendação de conteúdo.