SoluÃÃes em personalizaÃÃo de conteÃdo baseadas em classificadores simbÃlicos modais

AUTOR(ES)

Byron Leite Dantas Bezerra

DATA DE PUBLICAÇÃO

2008

RESUMO

Engenhos de PersonalizaÃÃo sÃo ferramentas Ãteis para se encontrar informaÃÃes do interesse de uma pessoa de forma efetiva. Para isso, eles capturam informaÃÃes sobre os usuÃrios de um sistema para aprender sobre suas preferÃncias. De posse destas informaÃÃes, os Engenhos de PersonalizaÃÃo adotam tÃcnicas de filtragem de informaÃÃo baseadas normalmente em classificadores com aprendizagem supervisionada. As tÃcnicas mais comuns definem as correlaÃÃes entre os usuÃrios da comunidade e, a partir daÃ, disparam um processo conhecido popularmente como âboca-Ã-bocaâ. Outra tÃcnica realiza uma filtragem com base no conteÃdo descritivo dos itens no repositÃrio como, o elenco e o gÃnero de um filme. Finalmente, existem abordagens hÃbridas que procuram combinar diferentes tÃcnicas absorvendo o que hà de melhor em cada uma. No presente trabalho fazemos uma leitura crÃtica do estado da arte relacionado aos Engenhos de PersonalizaÃÃo e, a partir daÃ, apresentamos trÃs novos mÃtodos baseados em conceitos e ferramentas do domÃnio de AnÃlise de Dados SimbÃlicos, em que cada um deles segue uma tÃcnica diferente: o mÃtodo Content Modal Based Filtering realiza filtragem de informaÃÃo baseada no conteÃdo; o mÃtodo Social Modal Collaborative Filtering realiza filtragem colaborativa; e o mÃtodo Hybrid Modal Based Filtering realiza filtragem hÃbrida. Definimos um processo de avaliaÃÃo de desempenho das tecnologias de personalizaÃÃo e o aplicamos para efeito de comparaÃÃo dos nossos mÃtodos com abordagens clÃssicas. Em nossas anÃlises consideramos dimensÃes relevantes para sistemas reais, mas pouco exploradas nos trabalhos atuais, como o impacto da quantidade de itens no perfil do usuÃrio (associado ao Problema do Novo UsuÃrio) e o tamanho da comunidade de usuÃrios (associado ao Problema da Esparsidade). Nos experimentos realizados constatamos que duas de nossas abordagens de filtragem alcanÃaram desempenho em um cenÃrio com pouca informaÃÃo sobre o usuÃrio e alta esparsidade pouco abaixo de 4% comparado ao desempenho obtido no cenÃrio ideal. Nestas condiÃÃes um dos mÃtodos mais populares, a filtragem colaborativa com kNN, apresenta uma queda de desempenho de 18,5%

ASSUNTO(S)

sistemas de recomendaÃÃo symbolic data analysis modal symbolic classifiers information filtering personalizaÃÃo ciencia da computacao anÃlise de dados simbÃlicos filtragem de informaÃÃo personalization classificadores simbÃlicos modais recommendation systems

Documentos Relacionados

• Uma soluÃÃo em filtragem de informaÃÃo para sistemas de recomendaÃÃo baseada em anÃlise de dados simbÃlicos
• MÃtodos de agrupamento de dados simbÃlicos baseados em funÃÃes de proximidade
• A personalizaÃÃo em e-mails promocionais
• ClassificaÃÃo supervisionada usando dados simbÃlicos de semÃntica modal
• BifurcaÃÃo de SoluÃÃes PeriÃdicas