Enhancing recommender systems by enrichment with pre- processing approaches supported by users\' feedback (2019)
- Authors:
- Autor USP: COSTA, ARTHUR FORTES DA - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/T.55.2020.tde-04022020-154009
- Subjects: SISTEMAS DE RECOMENDAÇÃO; BANCO DE DADOS; PROCESSAMENTO DE DADOS; ALGORITMOS E ESTRUTURAS DE DADOS; INTERAÇÃO USUÁRIO-COMPUTADOR; DESCOBERTA DE CONHECIMENTO
- Keywords: Abordagens de pré-processamento; Cold-start; Dimensionalidade; Dimensionality; Esparsidade; Interações de usuários; Partida fria; Pre-processing approaches; Recommender systems; Sparsity; Users' feedback
- Agências de fomento:
- Language: Inglês
- Abstract: Sistemas de recomendação utilizam informações sobre preferências de usuários para inferir o seu gosto em relação a novos itens. Um grande problema nessa área é o número de informações que os algoritmos precisam para calcular pontuações para uma grande quantidade de itens desconhecidos no banco de dados. Além disso, problemas tradicionais como esparsidade, alta dimensionalidade e partida fria, dificultam ainda mais a tarefa de predição desses algoritmos. Atualmente, vários trabalhos tentam lidar com esses problemas, utilizando soluções dentro do próprio algoritmo de recomendação, o que aumenta o tempo e o custo computacional dos algoritmos utilizados nessa tarefa. Nesta tese de doutorado, propomos abordagens de préprocessamento de dados para sistemas de recomendação que reduzem e/ou enriquecem o número de pares usuário-item desconhecidos que o recomendador deve processar para obter um conjunto de dados com informações mais confiáveis e robustas. Nossas abordagens concentram-se no feedback de usuários, tentando extrair os gostos e comportamentos de cada um usando informações disponíveis nos conjuntos de dados. Avaliamos a qualidade dessas abordagens aplicando-as em algoritmos de recomendação tradicionais e conhecidos na literatura, além de comparar os resultados com os mesmos recomendadores sem a etapa de pré-processamento e com outros algoritmos do estado da arte. Os resultados mostram uma melhora significativa na acurácia dos recomendadores tradicionais e na redução doimpacto de problemas conhecidos na área de recomendação.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2019
- Data da defesa: 07.11.2019
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
COSTA, Arthur Fortes da. Enhancing recommender systems by enrichment with pre- processing approaches supported by users\' feedback. 2019. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2019. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-04022020-154009/. Acesso em: 28 fev. 2026. -
APA
Costa, A. F. da. (2019). Enhancing recommender systems by enrichment with pre- processing approaches supported by users\' feedback (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-04022020-154009/ -
NLM
Costa AF da. Enhancing recommender systems by enrichment with pre- processing approaches supported by users\' feedback [Internet]. 2019 ;[citado 2026 fev. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-04022020-154009/ -
Vancouver
Costa AF da. Enhancing recommender systems by enrichment with pre- processing approaches supported by users\' feedback [Internet]. 2019 ;[citado 2026 fev. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-04022020-154009/
Informações sobre o DOI: 10.11606/T.55.2020.tde-04022020-154009 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
