Multicontextualização para aprimoramento de personalização em sistemas de recomendação contextuais.

• Ano de defesa: 2013
• Autor(a) principal: Crivelaro, Celso Vital
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Cluster; Georeference; Georrefenciamento; Recommender Systems; Sistemas de Recomendação
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/3/3141/tde-26072013-121007/

Sistemas de Recomendação ajudam na personalização de sites na Internet oferecendo conteúdo ou produtos específicos aos usuários. Com dispositivos móveis, aumentou o interesse do usuário em ter recomendações personalizadas de locais para ir de acordo com o seu histórico de navegação e avaliações como restaurantes e pontos turísticos. Para que as recomendações personalizadas por locais sejam mais precisas é necessário contextualizá-las de acordo com o interesse do usuário que caracterizado por locais que ele visitou e por regiões de interesse como moradia, onde trabalha ou mesmo onde passará férias. Várias técnicas de contextualização utilizaram todos os locais que o usuário visitou para geração da recomendação contextual do local, outras técnicas trabalham na arquitetura híbrida. Muitas assumem que é necessário a posição exata do usuário para que as recomendações sejam online, o que muitas vezes não é possível por limitações técnicas ou mesmo indisponibilização do usuário por questões de privacidade. O objetivo principal deste trabalho é geração de recomendações usando multicontextos de forma offline, gerando vários contextos de cada usuário. Os locais são recomendados utilizando apenas dados históricos, sem a localização exata no usuário do momento da recomendação. Para atingir este objetivo foram utilizadas técnicas de clustering para mapeamento e divisão dos contextos em regiões indicando o interesse do usuário gerando a recomendação final dos locais a partir de um método híbrido de recomendação que usa filtragem colaborativa e a recomendação contextual proposta. Os resultados mostraram que a técnica proposta apresenta recomendações melhores do que apenas a recomendação colaborativa pura e, para usuários assíduos, as recomendações são melhores do que as técnicas base usadas para comparação.