Organização Semântica de Anotações Colaborativas de Usuários Aplicada em Sistemas de Recomendação

• Processo: 16/20280-6
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de fevereiro de 2017
• Data de Término da vigência: 31 de janeiro de 2019
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Marcelo Garcia Manzato
• Beneficiário: Marcelo Garcia Manzato
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Sistemas de recomendação Extração de características Sistemas de informação Web semântica
• Palavra(s)-Chave do Pesquisador: anotações de usuário | Extração de características | sistemas de recomendação | Web Semântica | Sistemas de Informação

Resumo

Sistemas de recomendação surgiram com o objetivo de selecionar e apresentar conteúdo de acordo com as preferências dos usuários, reduzindo, assim, o problema da sobrecarga de informação. Dentre as técnicas disponíveis, as mais conhecidas são a filtragem colaborativa e a baseada em conteúdo. Adicionalmente, há atualmente uma tendência em utilizar informações fornecidas colaborativamente pelos usuários, como etiquetas, revisões, comentários e interações, a fim de reduzir problemas comuns em recomendação, como a sobre-especialização, partida fira e análise limitada de conteúdo. Entretanto, essas anotações podem conter ruído, ironia e ambiguidade, além de estarem em uma forma não padronizada e desestruturada. Além disso, falta uma organização semântica nos dados de modo que seja possível inferir automaticamente o significado dos conceitos relacionados. Deste modo, este projeto tem como objetivo investigar métodos de como utilizar anotações produzidas colaborativamente pelos usuários para descrever de maneira semântica as entidades envolvidas em sistemas de recomendação. A fim de reduzir problemas inerentes à utilização de dados não-estruturados, pretende-se desenvolver um método que aplica diferentes técnicas de extração de características, análise de sentimento e aprendizado de máquina para se obter uma versão rica e padronizada semanticamente sobre os itens e sobre as preferências dos usuários. (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)

D'ADDIO, RAFAEL M.; MARINHO, RONNIE S.; MANZATO, MARCELO G.. Combining different metadata views for better recommendation accuracy. INFORMATION SYSTEMS, v. 83, p. 1-12, JUL 2019. (16/20280-6)

DE AGUIAR NETO, FERNANDO S.; DA COSTA, ARTHUR F.; MANZATO, MARCELO G.; CAMPELLO, RICARDO J. G. B.. Pre-processing approaches for collaborative filtering based on hierarchical clustering. INFORMATION SCIENCES, v. 534, p. 172-191, SEP 2020. (16/04798-5, 13/07375-0, 16/20280-6)

FRESSATO, EDUARDO P.; DA COSTA, ARTHUR F.; MANZATO, MARCELO G.; IEEE. Similarity-based Matrix Factorization for Item Cold-Start in Recommender Systems. 2018 7TH BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS), v. N/A, p. 6-pg., 2018-01-01. (16/20280-6)

DA COSTA, ARTHUR F.; D'ADDIO, RAFAEL M.; FRESSATO, EDUARDO P.; MANZATO, MARCELO G.; ASSOC COMP MACHINERY. A personalized clustering-based approach using open linked data for search space reduction in recommender systems. WEBMEDIA 2019: PROCEEDINGS OF THE 25TH BRAZILLIAN SYMPOSIUM ON MULTIMEDIA AND THE WEB, v. N/A, p. 8-pg., 2019-01-01. (16/20280-6)

D'ADDIO, RAFAEL M.; FRESSATO, EDUARDO P.; DA COSTA, ARTHUR F.; MANZATO, MARCELO G.; ASSOC COMP MACHINERY. Incorporating Semantic Item Representations to Soften the Cold Start Problem. WEBMEDIA'18: PROCEEDINGS OF THE 24TH BRAZILIAN SYMPOSIUM ON MULTIMEDIA AND THE WEB, v. N/A, p. 8-pg., 2018-01-01. (16/20280-6)

DA COSTA, ARTHUR F.; MANZATO, MARCELO G.; CAMPELLO, RICARDO J. G. B.; ASSOC COMP MACHINERY. CoRec: A Co-Training Approach for Recommender Systems. 33RD ANNUAL ACM SYMPOSIUM ON APPLIED COMPUTING, v. N/A, p. 8-pg., 2018-01-01. (16/20280-6)

DA COSTA, ARTHUR; FRESSATO, EDUARDO; NETO, FERNANDO; MANZATO, MARCELO; CAMPELLO, RICARDO; ACM. Case Recommender: A Flexible and Extensible Python Framework for Recommender Systems. 12TH ACM CONFERENCE ON RECOMMENDER SYSTEMS (RECSYS), v. N/A, p. 2-pg., 2018-01-01. (16/20280-6)

DA COSTA, ARTHUR F.; MANZATO, MARCELO G.; CAMPELLO, RICARDO J. G. B.. Boosting collaborative filtering with an ensemble of co-trained recommenders. EXPERT SYSTEMS WITH APPLICATIONS, v. 115, p. 427-441, JAN 2019. (16/20280-6)