Banca de DEFESA: Renato Barros Arantes

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Renato Barros Arantes
DATA : 16/07/2018
HORA: 09:00
LOCAL: Auditório 401 do Prédio 17
TÍTULO:

SISTEMAS DE RECOMENDAÇÃO BASEADOS EM VETORES DE PALAVRAS E PROPRIEDADES DE REDES COMPLEXAS


PALAVRAS-CHAVES:

Sistemas de recomendação, Redes Complexas, Vetores de Palavras, Aprendizado de Máquina, Processamento de Linguagem Natural.


PÁGINAS: 72
RESUMO:
Com o rápido crescimento e a abundância de serviços na internet, as pessoas se veem em frente a uma enorme gama de opções. Embora esse crescimento tenha permitido que os usuários da internet consumam uma grande quantidade de recursos com apenas um clique, também tornou mais difícil para os mesmos encontrar informações relevantes para seus interesses. Em muitas situações, as pessoas possuem pouca ou quase nenhuma experiência pessoal para escolher uma dentre as inúmeras opções que são oferecidas. Neste contexto, os sistemas de recomendação desempenham um papel importante auxiliando no aumento da capacidade e eficácia deste processo de indicação. Neste trabalho, os sistemas de recomendação de tags e recomendação de artigos científicos, duas formas diferentes de recomendações, são abordados tendo em comum a utilização de propriedades de redes complexas como meio auxiliar no processo de recomendação. A recomendação de tags é feita de duas maneiras distintas. Para determinar a relevância de uma tags em um documento, o vocabulário do documento é representado usando um grafo gerado a partir de um modelo de vetores de palavras. As métricas de uma rede complexas são aplicadas para calcular a relevância das palavras do documento e as palavras mais relevantes são selecionadas como as tags recomendadas. Alternativamente, as tags podem ser recomendadas usando as métricas de redes complexas como dados de entrada para técnicas de aprendizado de máquina. Para a recomendação de artigos científicos, para cada usuário, pretende-se recomendar artigos que não estão em sua biblioteca, mas são de potencial interesse para o mesmo. As informações sobre as bibliotecas de outros usuários e informações sobre os artigos disponíveis, tais como título e resumos utilizados como entrada para um modelo de vetor de palavras, serão usadas para gerar uma rede complexa e, usando as propriedades das redes complexas, palavras deste grafo são selecionadas para expandir um documento. Para extrair os tópicos e as recomendações, técnicas de processamento de linguagem natural serão aplicadas. Combinar as métricas de rede é mais eficiente do que usá-las separadamente para recomendar tags nos filmes do conjunto de dados IMDb. Para os métodos não supervisionados, o melhor resultado foi obtido pelo algoritmo TF-IDF, com uma precisão de aproximadamente 31%. Este resultado é muito inferior ao que foi obtido usando o algoritmo Random Forest que foi de aproximadamente 85% no cenário supervisionado. Os resultados obtidos com a metodologia proposta para recomendação de tags mostraram o potencial da abordagem. A partir dos experimentos realizados para a recomendação de artigos científicos, a técnica proposta melhora o desempenho do modelo CTR para o problema de cold start. 


MEMBROS DA BANCA:
Presidente - ANISIO MENDES LACERDA
Interno - ELIZABETH FIALHO WANNER
Interno - FLAVIO LUIS CARDEAL PADUA
Interno - FLAVIO VINICIUS CRUZEIRO MARTINS
Externo à Instituição - MARCELO PEIXOTO BAX - UFMG
Notícia cadastrada em: 04/07/2018 11:55
SIGAA | Diretoria de Tecnologia da Informação - DTI - (31) 3319-7000 | Copyright © 2006-2024 - UFRN - vm-sig-app-10.ditic.sgi.cefetmg.br.inst10