Use este identificador para citar ou linkar para este item: https://repository.ufrpe.br/handle/123456789/705
Título: Estudo comparativo de técnicas de seleção de contextos em sistemas de recomendação de domínio cruzado sensivéis ao contexto
Autor: Brito, Victor Sales de
Endereco Lattes do autor: http://lattes.cnpq.br/0340874538265508
Orientador: Silva, Douglas Véras e
Endereco Lattes do orientador : http://lattes.cnpq.br/2969243668455081
Palavras-chave: Inteligência artificial;Visão por computador;Sistemas de recomendação (filtragem de informações)
Data do documento: 2018
Citação: BRITO, Victor Sales de. Estudo comparativo de técnicas de seleção de contextos em sistemas de recomendação de domínio cruzado sensivéis ao contexto. 2018. 88 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Departamento de Computação, Universidade Federal Rural de Pernambuco, Recife, 2018.
Abstract: There are several approaches to implement a recommendation system, such as CrossDomain Context-Aware Recommendation Systems (CD-CARS), which was used in this work because it enables quality improvement of recommendations using multiple domains (e.g. books, movies and musics), while taking into account the use of contexts (e.g. season, time, company and location). However, caution is needed in using contexts to make items suggestions, since the contexts may impair the recommendation performance when they are considered “irrelevants”. Therefore, the selection of relevant contexts is a key factor for the development of CD-CARS, and there is a lack of papers for selection techniques in datasets with contextual information and cross-domain. Thus, this work applied the Information Gain (IG), Chi-square test, Minimum Redundancy Maximum Relevance (MRMR) and Monte Carlo Feature Selection (MCFS) techniques in twelve datasets with three different contextual dimensions (time, location and company) and distinct domains (books, television and musics). Finally, from the results obtained, the MCFS technique was able to classify the relevance of the contexts in a more satisfactory way than other techniques.
Resumo: Existem diversas abordagens para a implementação dos sistemas de recomendação, dentre elas, a abordagem de “sistemas de recomendação de domínio cruzado sensíveis ao contexto” (Cross-Domain Context-Aware Recommender Systems - CD-CARS), empregada neste trabalho, pois possibilita a melhoria na qualidade das recomendações usando vários domínios (ex.: livros, filmes e músicas) e considerando a aplicação de contextos (ex.: estação do ano, tempo, companhia, localização). No entanto, é necessário cautela ao utilizar contextos para realizar sugestões de itens, uma vez que os contextos podem influenciar negativamente o desempenho da recomendação quando considerados “irrelevantes”. Portanto, a seleção de contextosrelevanteséumfatorchaveparaodesenvolvimentodotipodesistemaCD-CARS e, dentro da literatura, constatou-se uma escassez de trabalhos acerca da aplicação de técnicas de seleção em conjuntos de dados com informações contextuais e de domínio cruzado. Dessa forma, este trabalho aplicou as técnicas de seleção Information Gain (IG), Teste qui-quadrado (χ2), Minimum Redundancy Maximum Relevance (MRMR) e Monte Carlo Feature Selection (MCFS),emdozeconjuntosdedadoscomtrêsdiferentesdimensões contextuais (tempo, localização e companhia) e domínios distintos (livros, televisão e músicas). Por fim, a partir dos resultados encontrados, averiguou-se que a técnica MCFS conseguiu classificar a relevância dos contextos de forma mais satisfatória.
URI: https://repository.ufrpe.br/handle/123456789/705
Aparece nas coleções:TCC - Bacharelado em Ciência da Computação (Sede)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tcc_Victor Sales de Brito.pdf1,48 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.