CONVITE PARA DEFESA DE DISSERTAÇÃO

TÍTULO:

“Aprendizado por Reforço Baseado em Agrupamentos para Recomendação na Ausência de Informação Prévia”

TITULARES:

Prof. Dr. Anisio Mendes Lacerda (Orientador)

CEFET-MG

Prof. Dr. Flávio Luis Cardeal Pádua (Coorientador)

CEFET-MG

Prof. Dr. Marcelo Peixoto Bax

UFMG

Prof. Dr. Adriano César Machado Pereira

UFMG

LOCAL:

Auditório do Prédio 17 - sala 401, Campus II, CEFET-MG

Av. Amazonas, 7675 - Nova Gameleira

DIA:

2 de agosto de 2017 - Quarta-feira

HORA:

9:30 horas

RESUMO: Atualmente, com o crescimento da Web, o volume de informação compartilhada tem crescido, ampliando cada vez mais a quantidade de conteúdo disponível para os usuários da rede. Assim, surge a necessidade de ferramentas capazes de identificar conteúdo relevante a partir do grande volume de informação disponível. Os sistemas de recomendação são ferramentas computacionais que possuem este objetivo, ou seja, esses sistemas focam em auxiliar os usuários a encontrar informação relacionada às suas preferências de forma personalizada. As técnicas estado-da-arte na literatura de sistemas de recomendação são baseadas no histórico de interação dos usuários com os itens disponíveis no sistema. Assim, estas técnicas são limitadas no cenário de ausência de informação prévia sobre as preferências dos itens. Este é um problema bem conhecido na literatura de sistemas de recomendação, chamado cold-start, e é o foco desta dissertação. Mais especificamente, aborda-se o problema de recomendar itens para usuários de forma contínua (i.e.,online) por meio de algoritmos baseados em aprendizado por reforço. A classe de algoritmos na qual baseia-se este trabalho é Multi-Armed Bandits (MAB) e refere-se a algoritmos de tomada de decisão sequencial com retro-alimentação. Neste trabalho, modelamos a recomendação no cenário cold-start como um algoritmo MAB de dois passos. Assumimos que os itens podem ser agrupados considerando sua descrição textual, o que leva a agrupamentos de itens semanticamente semelhantes. Primeiramente, seleciona-se o agrupamento de itens mais relevante para o usuário-alvo da recomendação. A seguir, dado o agrupamento previamente selecionado, escolhe-se o item mais relevante dentro desse agrupamento, o qual é sugerido para o usuário-alvo. Para avaliar a qualidade do algoritmo proposto, o seu desempenho foi mensurado utilizando um conjunto de dados real. A avaliação experimental mostra que o algoritmo proposto produz melhorias significativas em termos de qualidade de recomendação em relação aos algoritmos MAB estado-da-arte.