Navegando por Assunto "Sistemas de recomendação (filtragem de informações)"

Agora exibindo 1 - 12 de 12

Análise de um sistema de recomendação de restaurantes sensível ao contexto sobre o grau de satisfação dos usuários
(2023-09-01) Melo Filho, Carlos Olimpio Rodrigues de; Silva, Douglas Véras e; http://lattes.cnpq.br/2969243668455081; http://lattes.cnpq.br/6986499479035317
Aplicações populares de sistemas de recomendação podem ser encontradas em diversas áreas. No ramo de alimentação, plataformas como o TripAdvisor se destacam por sugerir recomendações de restaurantes especializadas baseadas em vários tipos de informações relevantes como avaliações de outros usuários para o cardápio, ambiente e recomendações de restaurantes mais próximos são algumas das especialidades dessas plataformas. Com a possibilidade de utilização de novos dados sensíveis ao contexto do usuário, este trabalho tem como principal objetivo avaliar o uso do motivo de ida ao restaurante para reorganizar a recomendação final de restaurantes através de uma pós-filtragem baseada em contexto. Para concretizar o objetivo foi desenvolvida uma aplicação móvel, o SR Recife Restaurants, onde para avaliar o grau de satisfação de usuários reais em relação aos restaurantes recomendados, uma abordagem de avaliação online, utilizando questionários, foi utilizada. Ao realizar o experimento com 15 usuários foi possível notar um aumento de 26,67% no grau de satisfação das top-5 primeiras recomendações ao utilizar o tipo de ida ao restaurante como dado de contexto para a fase de pós-filtragem.
Avaliação entre algoritmos de filtragem colaborativa baseada em vizinhança e transferência de conhecimento para CD-CARS
(2019) Silva, Guilherme Melo da; Silva, Douglas Véras e; http://lattes.cnpq.br/2969243668455081; http://lattes.cnpq.br/7122596102314881
A realização de recomendações em cenários com a falta de preferências expressas por usuários é uma importante limitação para os Sistemas de Recomendação (SR). Devido a este problema pesquisas envolvendo SR de domínio cruzado (SRDC) vêm ganhando relevância, onde a filtragem colaborativa baseada (FC) é uma das técnicas mais exploradas nesta área. O sistema CD-CARS mostra que o uso de informações contextuais, disponíveis nas preferências dos usuários, pode otimizar algoritmos de FC baseada em vizinhança, técnica bastante difundida em FC para multidomínios. Embora apresentem recomendações precisas, alguns algoritmos de FC baseada em vizinhança, como o utilizado no CD-CARS, têm a limitação do uso de multidomínios apenas na ocorrência da sobreposição de usuários entre os domínios, cenário não trivial em bases de dados reais. Este trabalho apresenta uma análise comparativa entre diferentes algoritmos de recomendação envolvendo técnicas de filtragem colaborativa. Os algoritmos NNUserNgbr-transClosuredo CD-CARS (FC baseada em vizinhança) e Tracer(FC baseada em transferências de conhecimento), foram utilizados como base para os algoritmos de recomendação. Nos experimentos, os algoritmos de FC foram integrados às técnicas sensíveis ao contexto, abordadas no CD-CARS: Pré-Filtragem e Pós-Filtragem Contextual, sendo aplicados sobre dois conjuntos dedados, formados por dois domínios auxiliares e um alvo, com e sem sobreposição de usuários entre os domínios. As métricas de desempenho MAE e RMSE foram utilizadas para a avaliação dos algoritmos. Os resultados dos experimentos mostraram que o algoritmo Tracer apresentou melhores resultados, em relação ao algoritmo NNUserNgbr-transClosure, em todos os experimentos envolvendo o cenário sem a sobreposição de usuários, com e sem o uso da Pré-Filtragemou Pós-Filtragem Contextual.
Comparison of recommendation algorithms for user groups: a food-based case study
(2023-04-24) Vasconcelos, Caio Giovanni Pereira; Silva, Douglas Véras e; http://lattes.cnpq.br/2969243668455081; http://lattes.cnpq.br/4775036700843482
There is a rise in the development of platforms that work with the distribution of buying and selling food, and with the increase in food options and the number of users, such platforms use recommendation systems to facilitate the user’s choice. These recommendations are usually based on information that the algorithm obtains previously. And increasingly, these recommendations need to be right in specific contexts. This article proposes to compare, through common metrics in the literature, the use of two recommendation algorithms in a context of user groups to make a joint recommendation. One of the algorithms uses a database of groups in neural network training, and the other algorithm uses databases of auxiliary domains with different contexts to perform the prediction. The results indicate that it is possible to perform the prediction for groups of users even if a database with scarce data is used. The article is a theoretical basis to show the efficiency of recommending it to groups in the food domain, and can be incorporated and added to existing platforms.
Estudo comparativo de técnicas de seleção de contextos em sistemas de recomendação de domínio cruzado sensivéis ao contexto
(2018) Brito, Victor Sales de; Silva, Douglas Véras e; http://lattes.cnpq.br/2969243668455081; http://lattes.cnpq.br/0340874538265508
Existem diversas abordagens para a implementação dos sistemas de recomendação, dentre elas, a abordagem de “sistemas de recomendação de domínio cruzado sensíveis ao contexto” (Cross-Domain Context-Aware Recommender Systems - CD-CARS), empregada neste trabalho, pois possibilita a melhoria na qualidade das recomendações usando vários domínios (ex.: livros, ﬁlmes e músicas) e considerando a aplicação de contextos (ex.: estação do ano, tempo, companhia, localização). No entanto, é necessário cautela ao utilizar contextos para realizar sugestões de itens, uma vez que os contextos podem inﬂuenciar negativamente o desempenho da recomendação quando considerados “irrelevantes”. Portanto, a seleção de contextosrelevanteséumfatorchaveparaodesenvolvimentodotipodesistemaCD-CARS e, dentro da literatura, constatou-se uma escassez de trabalhos acerca da aplicação de técnicas de seleção em conjuntos de dados com informações contextuais e de domínio cruzado. Dessa forma, este trabalho aplicou as técnicas de seleção Information Gain (IG), Teste qui-quadrado (χ2), Minimum Redundancy Maximum Relevance (MRMR) e Monte Carlo Feature Selection (MCFS),emdozeconjuntosdedadoscomtrêsdiferentesdimensões contextuais (tempo, localização e companhia) e domínios distintos (livros, televisão e músicas). Por ﬁm, a partir dos resultados encontrados, averiguou-se que a técnica MCFS conseguiu classiﬁcar a relevância dos contextos de forma mais satisfatória.
Inferência automática de nível de dificuldade de receitas culinárias usando técnicas de processamento de linguagem natural
(2020-12-21) Britto, Larissa Feliciana da Silva; Pacífico, Luciano Demétrio Santos; Ludermir, Teresa Bernarda; http://lattes.cnpq.br/6321179168854922; http://lattes.cnpq.br/9521600706234665; http://lattes.cnpq.br/5058497100007411
Neste trabalho, será proposta uma ferramenta de inferência do nível de dificuldade de receitas culinárias. A inferência será feita através da classificação textual dos modos de preparo das receita. A ferramenta será parte fundamental no desenvolvimento de um sistema de recomendação de receitas culinárias sensível ao contexto baseado em conteúdo. Serão adotados alguns dos principais classificadores da literatura de Classificação de Texto, além de diferentes métodos de extração de características. Uma avaliação experimental é executada, no intuito de selecionar as melhores abordagens para compor o sistema.
Planejador de roteiros turísticos: uma aplicação do Problema do Caixeiro Viajante na cidade do Recife
(2018) Bispo, Rodolfo César; Cysneiros Filho, Gilberto Amado de Azevedo; http://lattes.cnpq.br/0534822491953359
Um aplicativo móvel (prova de conceito) foi desenvolvido fornecendo recomendações de rota para turistas que visitam Recife a pé. O turista seleciona os pontos de interesse (POI) que ele deseja visitar e a aplicação recomenda uma rota. O turista pode escolher os pontos de interesse de uma lista de pontos e visualiza-los em um mapa. A aplicação também fornece informações detalhadas sobre os pontos de interesse para auxiliar na escolha. Três algoritmos foram implementados para recomendação da rota. Os algoritmos Força Bruta, Vizinho Mais Próximo e Vizinho Mais Próximo combinado com 2-OPT foram comparados em termos de tempo de execução, impacto no tamanho total do percurso gerado, uso de memória e CPU. O algoritmo da Força Bruta apresentou um tempo de execução hábil em até 8 pontos escolhidos. O Vizinho Mais Próximo afastou-se cada vez mais do roteiro ótimo a medida que a quantidade de pontos aumentava, enquanto que sua combinação com o 2-OPT resultou em uma otimização de até 50 minutos na duração do roteiro.
Recomendação e geração de receitas baseada na substituição de ingredientes
(2020-12-21) Oliveira, Emília Galdino de; Pacífico, Luciano Demétrio Santos; Ludermir, Teresa Bernarda; http://lattes.cnpq.br/6321179168854922; http://lattes.cnpq.br/9521600706234665; http://lattes.cnpq.br/6278486720525640
Atualmente, mesmo com o aumento no número de páginas web e sistemas de compartilhamento de receitas, usuários podem ter dificuldade na busca por pratos específicos através da enorme quantidade de dados contidos nesses repositórios. Encontrar receitas que se adequem a um conjunto de ingredintes em mãos, contemplando as vontades e restrições desses usuários, pode ser uma tarefa demorada ou mesmo impossível. Neste trabalho, um sistema de recomendação e geração de receitas é proposto, baseado na substituição de ingredientes das receitas e em uma abordagem focada nos dados, em uma tentativa de ajudar os usuários a encontrarem receitas que contemplem tanto seus desejos, quanto suas restrições alimentares, evitando desperdícios.
Sistema de recomendação de restaurantes, baseado em três tipos diferentes de filtragem de dados, nos bairros do Recife-PE
(2021-12-20) Silveira Filho, Daniel Guilherme da; Cysneiros Filho, Gilberto Amado de Azevedo; http://lattes.cnpq.br/0534822491953359
Tendo em vista que a cidade de Recife está na terceira colocação de polos gastronômicos do Brasil, e que atualmente a quantidade de informações, presentes na internet, beira o infinito, os turistas, e até população local, procuram àqueles restaurantes mais conhecidos e divulgados. Uma consequência disso é que pequenos estabelecimentos, que não possuem uma forte divulgação de sua marca, acabam por falir nos primeiros cinco anos de existência. Por isso, realizou-se uma pesquisa sobre sistemas de recomendação, a fim de analisar o desenvolvimento de um sistema de recomendação de restaurantes, baseado em três tipos diferentes de técnicas de filtragem de dados, nos bairros da cidade do Recife. Para tanto, é necessário explicar os fundamentos das técnicas de filtragem que serão utilizadas no desenvolvimento do sistema, além de identificar como definir, coletar, tratar e analisar os dados necessários à construção do sistema, analisar o desenvolvimento de um sistema de recomendação baseado no conteúdo, analisar o desenvolvimento de um sistema de recomendação, baseado no usuário, analisar o desenvolvimento de um sistema de recomendação híbrido e por fim identificar qual técnica de recomendação retorna melhores resultados. Realiza-se então, um estudo sobre a base de dados, seleção, coleta e tratamento dos dados necessários para a construção do sistema, além de modelar uma amostra de pessoas e restaurantes a serem recomendados, também foi feito um estudo sobre sistemas de recomendação, definição, surgimento e principais técnicas de filtragem, utilizadas em trabalhos semelhantes, com isso se fez necessário definir quais os atributos e parâmetros a serem coletados, além de uma modelagem do formulário de captura de dados e desenvolvimento das três técnicas de filtragem colaborativa selecionadas, e por fim, realiza-se testes do sistema para comprovar seu funcionamento e análise de dados coletados. Diante disso, verifica-se que apesar da técnica de filtragem baseada em conteúdo se destacar nos resultados, a diferença entre esse tipo de filtragem e as filtragens colaborativas não foi expressiva, o que impõe a constatação de que o sistema de recomendação, baseado por bairros, traz facilidade e praticidade aos usuários, além de divulgar a marca de restaurantes de bairro e capilarizar o turismo na cidade de Recife, porém necessita de mais interações e informações dos usuários cadastrados, para tornar-se mais preciso em suas recomendações.
Suporte à decisão multicritério em aplicativos de saúde sob demanda
(2019) Pereira, Gustavo Magalhães; Albuquerque Júnior, Gabriel Alves de; Falcão, Taciana Pontual da Rocha; http://lattes.cnpq.br/5706959249737319; http://lattes.cnpq.br/1399502815770584; http://lattes.cnpq.br/6456769669695121
Os aplicativos de saúde sob demanda tem o objetivo principal encontrar um médico e levá-lo até sua casa para prestar assistência domiciliar para aqueles que tem dificuldade de locomoção e buscam um serviço médico mais cômodo, que não querem enfrentar filas de espera e que desejam evitar se deslocar até um hospital para tratar enfermidades básicas. O avanço tecnológico tem transformado a forma como serviços tradicionais são ofertados sob demanda, que está cada vez mais popular no Brasil. O Conselho Federal de Medicina (CRM), sabendo do impacto do avanço tecnológico no exercício da medicina, publicou a resolução nº 2.178/2017, que busca regulamentar o funcionamento de aplicativos que oferecem consulta médica em domicílio. De acordo com a resolução, todos os aplicativos que oferecem esse serviço são obrigados a disponibilizar uma listagem de médicos disponíveis para o paciente escolher o melhor médico para cuidar do seu caso, mas os aplicativos não oferecem auxílio ao paciente na decisão e e carece de uma solução computacional. Neste trabalho foi realizado o planejamento e desenvolvimento de um sistema de recomendação utilizando a metodologia da análise de decisão de múltiplos critérios. Foi utilizado como estudo de caso o aplicativo Clinio, um produto de saúde sob demanda desenvolvido pela Epitrack. A solução aplicada para recomendar os melhores médicos tem objetivo de auxiliar os usuários do aplicativo na escolha do profissional que mais se enquadra nas suas necessidades e preferências. Para isso, foram utilizados algoritmos de recomendação para selecionar médicos com base nos sintomas e na geolocalização e o Processo Analítico Hierárquico (AHP), tendo como critérios de classificação: valor da consulta, distância entre o médico e paciente e idade do médico. O sistema foi implementado e testado usando uma base de dados de 143 médicos de Pernambuco que atuam em 10 casos clínicos. Através dos testes realizados foi observado na recomendação obtida pelos usuários que o sistema auxilia no processo de escolha do melhor profissional para um caso através das definições das preferências.
Um estudo comparativo de técnicas para a classificação contextual de companhia para sistemas de recomendação sensíveis a contexto
(2019-01-22T02:00:00Z) Silva, Douglas Henrique Santana da; Silva, Douglas Véras e; http://lattes.cnpq.br/2969243668455081; http://lattes.cnpq.br/6428879549861854
Atualmente, a grande quantidade de informação tem prejudicado os usuários durante a tomada de decisões. Em face deste problema, sistemas de recomendação tem sido propostos de modo a conferir sugestões que auxiliem aos usuários em face de tal problema. Essas sugestões são ainda mais valiosas quando esses sistemas passam a sugerir itens se baseando também nos contextos ao qual o usuário está inserido. Dentre os esses contextos o de companhia pode ser destacado. Por meio da inferência do contexto de companhia o sistema poderá sugerir diferentes itens caso o usuário esteja acompanhado ou não. Um bom exemplo de sistema que possui tais características é o Sistemas de Recomendação em Domínios Cruzados e Sensíveis a Contexto (CD-CARS). Entretanto, o método de aprendizagem não supervisionada para inferência contextual de companhia no CD-CARS possui limitações. Desta forma, a presente pesquisa analisou e destacou um método de aprendizagem supervisionada que substitui a atual abordagem de classificação contextual de companhia executada no CD-CARS.
Um sistema de recomendações de eventos culturais com áudio-descrição
(2018) Souza Filho, Robson Ugo Ferreira; Medeiros, Victor Wanderley Costa de; Falcão, Taciana Pontual da Rocha; http://lattes.cnpq.br/5706959249737319; http://lattes.cnpq.br/7159595141911505
Cerca de um bilhão de pessoas no mundo vive com algum tipo de deficiência, enquanto quase 24% da população brasileira declarou ter algum tipo de deficiência no CENSO de 2010. Desta forma, a presença cada vez mais constante de pessoas com deficiência visual em espaços culturais tem aumentado e deve-se também `a presença dos recursos de acessibilidade comunicacional. O avanço tecnológico tem tornado a disposição de tais recursos muito mais fácil e próxima, aumentando ainda mais a autonomia deste público. Com base neste argumento, este trabalho visa apresentar o planejamento e desenvolvimento de um sistema de recomendação de eventos culturais com audiodescrição voltado para pessoas cegas usando dispositivos moveis Android, aumentando a independência e capacidade do processo de indicação já natural às relações sociais humanas através de algoritmos de filtragem colaborativa baseada em item e filtragem baseada em conteúdo. Foram gerados uma potencial base de dados de eventos do gênero, um estudo acerca dos algoritmos propostos e um experimento de usabilidade da aplicação. Foi identificada ausência de métricas de avaliação estatística para as recomendações geradas, dada a abordagem pessoal utilizada pelos usuários na escolha das notas para os eventos, resultado também da inexistente consistência de seus dados.
Utilização de filtragem colaborativa no auxílio de recomendação personalizada para leitores de mangá
(2024-03-04) Brochardt, Rodrigo Nativo do Brasil; Garrozi, Cícero; http://lattes.cnpq.br/0488054917286587
Este trabalho investigou, elaborou e comparou duas abordagens para a geração de recomendações de mangás: o modelo de Decomposição em Valores Singulares (SVD) e o Coeficiente de Correlação de Pearson. A metodologia envolveu a preparação dos dados a partir do desenvolvimento e execução de um rastreador web para extrair informações de obras de mangá e avaliações de um fórum bastante movimentado na internet. As dificuldades que surgem para a aplicabilidade destes métodos de extração de dados, bem como alternativas para lidar com situações de bloqueio da fonte, treinamento dos modelos de recomendação e avaliação de desempenho, foram abordadas, com foco na filtragem colaborativa e recomendações personalizadas para perfis de usuários e para obras de mangá. Na implementação do SVD, foi possível identificar padrões latentes nos dados de avaliação dos usuários, permitindo recomendações personalizadas com base nas preferências individuais a partir do compartilhamento de experiências com perfis similares. No entanto, métricas como o Mean Absolute Error (MAE) e Root Mean Squared Error (RMSE) revelaram a necessidade de refinamento do modelo para melhorar sua precisão, assim como alternativas de implementações para realização de comparações e métricas relacionadas à massa de dados específica utilizada no trabalho. Por sua vez, a abordagem baseada no Coeficiente de Correlação de Pearson priorizou a similaridade entre as avaliações de mangás para gerar recomendações focadas em itens. Embora dependesse significativamente do número de avaliações disponíveis, essa metodologia ofereceu uma lógica direta e válida para recomendações personalizadas a partir dos relacionamentos advindos das avaliações. A conclusão destacou a possibilidade futura de explorar métodos híbridos que combinem as vantagens do SVD e do Coeficiente de Correlação de Pearson, visando alcançar recomendações mais precisas e abrangentes, bem como a possibilidade de validar técnicas que ofereçam abordagens diferentes de recomendação para obter um comparativo palpável. A utilização de dados adicionais reunidos na massa de dados gerada para enriquecer a qualidade das recomendações, a fim de utilizar parâmetros mais detalhados em sua recomendação, assim como a utilização de abordagens indiretas, como por exemplo, a utilização de LLMs para auxiliar no processo de recomendação. Por fim, o trabalho concluiu a importância dos avanços destas tecnologias de recomendação para facilitar a vida do leitor, auxiliando na filtragem de grandes conteúdos oferecidos pela indústria e internet.