Uma Abordagem Filtragem Colaborativa Integrada a Mapas de Saliência para a Recomendação de Imagens

Nome do Aluno: 
Local: 
Sala 1B132, Bloco 1B, Campus Santa Mônica - Horário: 15h
Banca examinadora: 
Prof.ª Drª Denise Guliato (orientadora) - FACOM/UFU
Prof.ª Dr.ª Elaine Ribeiro de Faria Paiva (coorientadora) - FACOM/UFU
Prof. Dr. Bruno Augusto Nassif Travençolo – FACOM/UFU
Prof. Dr. João Marcos Bastos Cavalcanti – DCC/UFAM

Hoje em dia, a quantidade de consumidores que utilizam sites para realizar compras está aumentando muito, principalmente devido à facilidade e rapidez dessa forma de consumo. Os sites, diferentemente de lojas físicas, podem mostrar qualquer coisa disponível para os clientes. Nesse contexto, Sistemas de Recomendação (SR) tornaram-se indispensáveis para ajudar os consumidores a encontrar produtos que podem, eventualmente, ser agradáveis ou úteis para eles. Esses sistemas, geralmente, usam técnicas de Filtragem Colaborativa (FC), cuja principal ideia é que os produtos são recomendados para um determinado usuário com base em informações sobre compras e avaliações realizadas no passado, por um grupo de usuários similares ao usuário que está pedindo recomendação. Um dos principais desafios enfrentados por tal técnica é a necessidade de o usuário fornecer algumas informações sobre suas preferências sobre os produtos, a fim de obter novas recomendações do sistema. Quando há itens que não têm avaliações ou que possuem poucas avaliações disponíveis, o sistema de recomendação executa mal. Esse problema é conhecido como problema de partida a frio de itens. Neste trabalho, propomos investigar em que ponto a informação sobre a atenção visual pode ajudar a produzir modelos mais precisos de recomendação. Nós apresentamos uma nova estratégia de FC, denominada IKB-MS, que utiliza atenção visual para caracterizar as imagens e minimizar o problema de partida a frio de itens. A fim de validar esta estratégia, criamos um banco de dados de imagens de roupas e usamos três algoritmos bem conhecidos para a extração da atenção visual dessas imagens. Um extenso conjunto de experimentos mostra que a nossa abordagem é eficiente e supera os SR de FC do estado-da-arte.