MHRSCT: uma abordagem híbrida e sensível ao tempo para recomendação de artigos científicos (2025)
- Authors:
- Autor USP: CONTRERAS, BRUNO DE SANTANA BRAGA - EACH
- Unidade: EACH
- DOI: 10.11606/D.100.2025.tde-30092025-150436
- Subjects: ARTIGO CIENTÍFICO; PRODUÇÃO CIENTÍFICA; INTELIGÊNCIA ARTIFICIAL
- Keywords: Evolução de Interesses; Evolution of Interests; Fatores Temporais; Scientific Recommendation Systems; Sistemas de Recomendação Científica; Temporal Factors
- Language: Português
- Abstract: Este trabalho apresenta uma abordagem para sistemas de recomendação de artigos científicos, com foco na incorporação de fatores temporais e na utilização de métodos híbridos para melhorar a precisão das sugestões aos pesquisadores. O estudo inicia com uma revisão da literatura, que identifica técnicas empregadas na área, como filtragem colaborativa, recomendação baseada em conteúdo e modelos híbridos, além de modelos sensíveis ao tempo, que representam a mudança nos interesses acadêmicos ao longo do tempo. Com base nesse levantamento, foi desenvolvido o modelo MHRSCT (Multi-Headed Researcher-Scholar Citation Transformer), um modelo híbrido para recomendação de artigos científicos que considera a dimensão temporal. O modelo combina de forma adaptativa diversas fontes de informação, incluindo redes de citações, tópicos e conteúdo textual. Inicialmente, o modelo utiliza um módulo semântico, baseado em SciBERT, para extrair o significado do conteúdo dos artigos com os quais o pesquisador interagiu. Em paralelo, um módulo de consciência temporal analisa a cronologia dessas interações para modelar a evolução dos interesses ao longo do tempo. Essas duas representações, semântica e temporal, são então combinadas por um módulo de fusão adaptativa, criando um perfil de usuário unificado e dinâmico.Por fim, o módulo de predição utiliza esse perfil para classificar novos artigos candidatos, aplicando um critério de regularização de diversidade que penaliza a redundância entre os itens recomendados, assegurando uma lista final que é ao mesmo tempo precisa e variada. A avaliação experimental foi realizada utilizando um conjunto de dados reais construído a partir do OpenAlex, extraídos utilizando a técnica snowball sampling, mantendo os metadados e relações de autoria da base original, permitindo simular contextos reais de recomendação. Foram adotadas métricas como Precisão, Revocação, NDCG, MRR e MAP. Os resultados indicaram que o método híbrido, sensível ao tempo, apresentou melhorias na precisão e na capacidade de adaptação às mudanças nos interesses de pesquisa. Por fim, verificou-se que a integração de elementos temporais e de relacionamentos heterogêneos pode melhorar a eficácia de sistemas de recomendação de artigos científicos, contribuindo para uma ferramenta mais alinhada às dinâmicas da pesquisa
- Imprenta:
- Data da defesa: 21.08.2025
- Este artigo possui versão em acesso aberto
- URL de acesso aberto
- PDF de acesso aberto
- Versão do Documento: Versão publicada (Published version)
-
Status: Artigo publicado em periódico de acesso aberto (Gold Open Access) -
ABNT
CONTRERAS, Bruno de Santana Braga. MHRSCT: uma abordagem híbrida e sensível ao tempo para recomendação de artigos científicos. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://teses.usp.br/teses/disponiveis/100/100131/tde-30092025-150436/. Acesso em: 14 mar. 2026. -
APA
Contreras, B. de S. B. (2025). MHRSCT: uma abordagem híbrida e sensível ao tempo para recomendação de artigos científicos (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://teses.usp.br/teses/disponiveis/100/100131/tde-30092025-150436/ -
NLM
Contreras B de SB. MHRSCT: uma abordagem híbrida e sensível ao tempo para recomendação de artigos científicos [Internet]. 2025 ;[citado 2026 mar. 14 ] Available from: https://teses.usp.br/teses/disponiveis/100/100131/tde-30092025-150436/ -
Vancouver
Contreras B de SB. MHRSCT: uma abordagem híbrida e sensível ao tempo para recomendação de artigos científicos [Internet]. 2025 ;[citado 2026 mar. 14 ] Available from: https://teses.usp.br/teses/disponiveis/100/100131/tde-30092025-150436/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
