Browsing by Issue Date, starting with "2021-03-10"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Sistemas de recomendação para conteúdos de aplicações webPublication . Jerónimo, Margarida Isabel de Oliveira; Pinto, Filipe Marques da Silva CabralGrandes volumes de dados, referidos como Big Data, são gerados diariamente a uma taxa sem precedentes, a partir de fontes heterogéneas (e.g., meio ambiente, saúde, governo, redes sociais, marketing, transações financeiras). As novas tendências tecnológicas atuais, incluindo a Internet das Coisas (IoT – Internet of Things), a proliferação da Cloud Computing e a massificação dos dispositivos inteligentes (e.g., smartphones, smartwatches, dispositivos pervasivos e ubíquos), têm contribuído para esta explosão de dados. Como infraestrutura de suporte têm-se sistemas e aplicações distribuídos(as), públicos(as) e privados(as), interligados por redes de comunicação eletrónica de banda larga e elevado desempenho, normalmente com interface web. Os Sistemas de Recomendação são sistemas que procuram facilitar a penosa atividade de busca por conteúdo de interesse no Big Data. As principais funções dos Sistemas de Recomendação são a análise das diversas ações do utilizador do sistema. Com essa análise é possível extrair informações úteis para futuras predições, fornecendo recomendações de diferentes itens (e.g., sugestões de músicas, filmes, conteúdos de comércio eletrónico). Existem diferentes variantes nos sistemas de recomendação, nomeadamente, sistemas de filtragem colaborativa de classificações (ratings), filtragem baseada em conteúdo dos itens (e.g., descrição, características) ou de filtragem híbrida (que combinam as duas aproximações anteriores), tendo todos por objetivo a seleção de conteúdos de interesse tendo em conta os padrões de consumo dos utilizadores. O trabalho desenvolvido consistiu na implementação e validação de um protótipo de um Sistema de Recomendação de Conteúdos de Aplicações web, aplicado à recomendação de filmes. Para tal, utilizaram-se os MovieLens Datasets offline de ratings disponibilizados, pelo GroupLens, bem como informação disponibilizada online pelo site do TMDb. O sistema desenvolvido aprende o padrão de consumo de conteúdos do utilizador, prevendo o que irá consumir no futuro com base nos itens similares aos que demonstrou interesse (classificou) no passado, bem como na similaridade com outros utilizadores (que constituem a sua vizinhança) e assim fornecer os respetivos conteúdos de interesse, permitindo criar um modelo de utilizador. Utilizaram-se as técnicas de Filtragem Baseada em Conteúdo, Filtragem Colaborativa e Filtragem Híbrida baseadas em memória. A Filtragem Baseada em Conteúdo permite através da análise das caraterísticas dos itens, essencialmente baseadas na metodologia TFIDF para o processamento de linguagem natural (NLP), extrair as características ou atributos fundamentais dos itens e selecionar itens semelhantes ou propor classificações previstas para os itens de interesse ainda não classificados pelo utilizador ativo. A Filtragem Colaborativa permite aplicar a metodologia kNN, para identificar a semelhança entre o utilizador ativo, situados na vizinhança e propor classificações previstas para itens de interesse ainda não classificados. Ambas as aproximações têm inconvenientes e vantagens. A filtragem baseada em conteúdo, tende a especializar muito as recomendações em torno das características dos itens e, eventualmente, do utilizador ativo, uma vez que não tem em atenção os gostos dos restantes utilizadores do sistema. A filtragem colaborativa, essencialmente, tem a desvantagem do cold start, isto é, os problemas associados à admissão de novos utilizadores ou novos itens no sistema. Naturalmente que os inconvenientes de uma aproximação são as vantagens da outra e vice-versa. A Filtragem Híbrida combina as duas metodologias de forma a ultrapassar os seus inconvenientes podendo também seguir várias abordagens. No caso deste trabalho foi seguida uma abordagem weighted, permitindo uma combinação linear das filtragens colaborativas e baseada em conteúdo. Na avaliação experimental, os resultados obtidos foram relevantes em termos empíricos, coincidentes com os resultados apresentados em estudos semelhantes e validados com as métricas estatísticas MAE e RMSE. O protótipo de Sistema de Recomendação desenvolvido poderá evoluir para um sistema de recomendação de produção, sendo adaptável para outros conteúdos de aplicações web.