[TESE DE DOUTORADO] Assessing and Improving Recommender Systems to Deal with User Cold-Start Problem

Local: 
Sala 1B132, Bloco 1B, Campus Santa Mônica
Data de Defesa: 
06/03/2017 - 10:00
Banca examinadora: 
Prof.ª Dr.ª Célia Aparecida Zorzo Barcelos (orientadora) - FAMAT/UFU
Prof. Dr. Philippe Preux (coorientador) - Universidade de Lille - França
Prof.ª Dr.ª Maria Camila Nardini Barioni - FACOM/UFU
Prof. Dr. Bruno Augusto Nassif Travençolo - FACOM/UFU
Prof. Dr. Altigran Soares da Silva - DCC/UFAM
Prof. Dr. João Manuel Portela Gama - Universidade do Porto - Portugal

Sistemas de recomendação fazem parte do nosso dia-a-dia.  Os métodos usados nesses
sistemas tem como objetivo principal predizer as preferências por novos itens baseado no
perfil do usuário.  As pesquisas relacionadas a esse tópico procuram entre outras coisas
tratar  o  problema  do  cold-start  do  usuário,  que  é  o  desafio  de  recomendar  itens  para
usuários que possuem poucos ou nenhum registro de preferências no sistema.
Uma forma de tratar o cold-start do usuário é buscar inferir as preferências dos usuários
a partir de informações adicionais. Dessa forma, informações adicionais de diferentes tipos
podem ser exploradas nas pesquisas.  Alguns estudos usam informação social combinada
com  preferências  dos  usuários,  outros  se  baseiam  nos  clicks  ao  navegar  por  sites  Web,
informação de localização geográfica, percepção visual, informação de contexto, etc.  A
abordagem típica desses sistemas é usar informação adicional para construir um modelo
de predição para cada usuário.  Além desse processo ser mais complexo,  para usuários
full cold-start  (sem preferências identificadas pelo sistema) em particular, a maioria dos
sistemas de recomendação apresentam um baixo desempenho.  O trabalho aqui apresen-
tado, por outro lado, propõe que novos usuários receberão recomendações mais acuradas
de modelos de predição que já existem no sistema.
Nessa  tese  foram  propostas  4  abordagens  para  lidar  com  o  problema  de  cold-start
do  usuário  usando  modelos  existentes  nos  sistemas  de  recomendação.   As  abordagens
apresentadas trataram os seguintes aspectos:

-Inclusão  de  informação  social  em  sistemas  de  recomendação  tradicional:   Foram
investigados os papéis de várias métricas sociais em um sistema de recomendação
de  preferências  pairwise  fornecendo  subsidíos  para  a  definição  de  um  framework
geral para incluir informação social em abordagens tradicionais.

-Melhorias  na  recomendação  usando  similaridade  por  percepção  visual:  Usando  a
similaridade por percepção visual foram inferidas redes, conectando usuários simi-
lares, para serem usadas na seleção de modelos de predição para novos usuários.

-Análise  dos  benefícios  de  um  framework  geral  para  incluir  informação  de  redes
de usuários em sistemas de recomendação:  Representando diferentes tipos de in-
formação  adicional  como  uma  rede  de  usuários,  foi  investigado  como  as  redes  de
usuários podem ser incluídas nos sistemas de recomendação de maneira a beneficiar
a recomendação para usuários cold-start.

-Análise  do  impacto  da  seleção  de  modelos  de  predição  para  usuários  cold-start:
A  última  abordagem  proposta  considerou  que  sem  a  informação  adicional  o  sis-
tema poderia recomendar para novos usuários fazendo a troca entre os modelos já
existentes  no  sistema  e  procurando  aprender  qual  seria  o  mais  adequado  para  a
recomendação.

As abordagens propostas foram avaliadas em termos da qualidade da predição e da
qualidade do ranking  em banco de dados reais e de diferentes domínios.  Os resultados
obtidos demonstraram que as abordagens propostas atingiram melhores resultados que os
métodos do estado da arte.