Mineração de Fluxos de Dados Frequentes e de Alta Dimensionalidade: estudo de caso em jogos digitais

• Processo: 18/05714-5
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de julho de 2018
• Data de Término da vigência: 30 de junho de 2020
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Robson Leonardo Ferreira Cordeiro
• Beneficiário: Robson Leonardo Ferreira Cordeiro
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Pesquisadores associados: Agma Juci Machado Traina ; Caetano Traina Junior ; Gustavo Enrique de Almeida Prado Alves Batista ; José Fernando Rodrigues Júnior
• Assunto(s): Agrupamento de dados Banco de dados Jogos digitais
• Palavra(s)-Chave do Pesquisador: Agrupamento de Dados | Detecção de casos de exceção | Fluxos de dados frequentes e de alta dimensionalidade | jogos digitais | Banco de Dados

Resumo

Em um fluxo de dados com muitos atributos e alta frequência de eventos, como encontrar grupos de eventos similares? Como detectar casos de exceção e ordená-los em acordo com o quão fora do padrão cada evento anômalo está? É possível realizar essas tarefas em tempo real? Por exemplo, com base nas ações de usuários ao longo do tempo em um sistema de gerência de partidas online de jogos digitais, como identificar grupos de usuários/jogadores com preferências similares para auxiliar a propaganda direcionada (targeted marketing) e o desenvolvimento de novos jogos? Como encontrar usuários spammers, bots, hackers e jogadores famosos, a fim de restringir acesso às três primeiras categorias e entender o porquê da fama dos demais? Hoje, é evidente a necessidade de algoritmos precisos, rápidos e escaláveis que permitam minerar em tempo real fluxos de dados frequentes e de alta dimensionalidade, os quais são coletados constantemente por sistemas web e por sensores automatizados de diversas aplicações modernas. O presente projeto de pesquisa visa diminuir esse problema com foco no agrupamento de eventos similares e na detecção de casos de exceção em fluxos de dados com milhares de eventos novos recebidos por segundo, descritos por dezenas/centenas de atributos. Como estudo de caso, pretende-se validar as novas metodologias e algoritmos a serem desenvolvidos na análise de fluxos de dados provenientes do sistema de controle de partidas online e de criação e publicação de novo conteúdo referentes ao jogo digital Super Mario Maker da empresa Nintendo Company Ltd.. (AU)

Publicações científicas

(8)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

MILON-FLORES, DANIELA F.; CORDEIRO, ROBSON L. F.. How to take advantage of behavioral features for the early detection of grooming in online conversations. KNOWLEDGE-BASED SYSTEMS, v. 240, p. 29-pg., 2022-01-22. (20/07200-9, 16/17078-0, 18/05714-5)

MONTEIRO OLIVEIRA, JADSON JOSE; FERREIRA CORDEIRO, ROBSON LEONARDO. Unsupervised dimensionality reduction for very large datasets: Are we going to the right direction?. KNOWLEDGE-BASED SYSTEMS, v. 196, MAY 21 2020. (16/17078-0, 18/05714-5)

ALVES, MATHEUS A. C.; CORDEIRO, ROBSON L. F.. Effective and unburdensome forecast of highway traffic flow with adaptive computing. KNOWLEDGE-BASED SYSTEMS, v. 212, JAN 5 2021. (20/07200-9, 18/05714-5, 16/17078-0)

PEREIRA MORAES, LEONARDO MAURO; FERREIRA CORDEIRO, ROBSON LEONARDO; FILIPE, J; SMIALEK, M; BRODSKY, A; HAMMOUDI, S. Detecting Influencers in Very Large Social Networks of Games. PROCEEDINGS OF THE 21ST INTERNATIONAL CONFERENCE ON ENTERPRISE INFORMATION SYSTEMS (ICEIS 2019), VOL 2, v. N/A, p. 11-pg., 2019-01-01. (18/05714-5)

TRAINA, CAETANO, JR.; MORIYAMA, ANDRE; ROCHA, GUILHERME; CORDEIRO, ROBSON; CIFERRI, CRISTINA D. A.; TRAINA, AGMA; ASSOC COMP MACHINERY. The SIMILARQL framework: similarity queries in plain SQL. SAC '19: PROCEEDINGS OF THE 34TH ACM/SIGAPP SYMPOSIUM ON APPLIED COMPUTING, v. N/A, p. 4-pg., 2019-01-01. (18/05714-5, 16/17078-0, 18/22277-8)

BISPO JUNIOR, ALTAMIR GOMES; FERREIRA CORDEIRO, ROBSON LEONARDO; RODRIGUES, JMF; CARDOSO, PJS; MONTEIRO, J; LAM, R; KRZHIZHANOVSKAYA, VV; LEES, MH; DONGARRA, JJ; SLOOT, PMA. Fast and Scalable Outlier Detection with Metric Access Methods. COMPUTATIONAL SCIENCE - ICCS 2019, PT II, v. 11537, p. 15-pg., 2019-01-01. (16/17078-0, 18/05714-5)

GONZAGA, ANDRE DOS SANTOS; CORDEIRO, ROBSON L. F.. The similarity-aware relational division database operator with case studies in agriculture and genetics. INFORMATION SYSTEMS, v. 82, p. 71-87, MAY 2019. (18/05714-5, 15/05607-6, 14/21483-2)

CABRAL, EUGENIO F.; CORDEIRO, ROBSON L. F.; ASSOC COMP MACHINERY. Fast and Scalable Outlier Detection with Sorted Hypercubes. CIKM '20: PROCEEDINGS OF THE 29TH ACM INTERNATIONAL CONFERENCE ON INFORMATION & KNOWLEDGE MANAGEMENT, v. N/A, p. 10-pg., 2020-01-01. (18/05714-5, 16/17078-0)