Análise e desenvolvimento de modelos de usuários baseado em múltiplos domínios para Sistemas de Recomendação

Abstract

Sistemas de Recomendação são utilizados por muitos sites e serviços, sendo ferramentas importantes para auxiliar o usuário a encontrar o que é mais relevante diante da imensa quantidade de informação disponível. Uma das maneiras de se construir um Sistema de Recomendação é a filtragem baseada em conteúdo, que recomenda itens para o usuário com base em um histórico do que ele gostou no passado. Para que isso ocorra de maneira eficaz, o sistema precisa levar em consideração as preferências dos usuários sobre os itens a serem recomendados e, assim, conseguir gerar recomendações úteis. Este trabalho tem como proposta a criação de modelos de usuário, baseados em múltiplos domínios e de forma automatizada. E, através da transferência de conhecimento de um domínio para outro, melhorar a precisão da recomendação. Os resultados obtidos na avaliação mostraram que compartilhar informações entre os domínios aumentou a performance da recomendação, como no caso do teste com a métrica prec@5, que avalia os cinco primeiros itens da lista de recomendação, e obteve uma melhoria de mais de 90%.

Recommender systems are used by many sites and services, and are important tools to help the user to find what is most relevant in the immense amount of information available. One way to build a Recommendation System is content-based filtering, which recommends items to the user based on a profile that contains information about the content, such as genre, keywords, etc. For this to happen effectively, the system must take into account the preferences and needs of users in order to generate useful recommendations. This work proposes the modeling of user profiles with integration of multiple domains and automatically. Then, through a transfer of knowledge of a domain to another, increase the performance of the recomendation. The results of the evaluation showed that information sharing between the domains increased the performance of the recommendation, as in the test with the metric prec@5, which assesses the first five items of the recommendation list, where obtained an improvement of more than 90%.