Framework híbrido de recomendação para o setor imobiliário baseado em informações geográficas e conjuntos big data

• Processo: 16/00209-5
• Modalidade de apoio: Bolsas no Brasil - Pesquisa Inovativa em Pequenas Empresas - PIPE
• Data de Início da vigência: 01 de fevereiro de 2016
• Data de Término da vigência: 31 de outubro de 2016
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Carlos Henrique El Hetti Laurenti
• Beneficiário: Carlos Henrique El Hetti Laurenti
• Empresa: Enterup Tecnologia em Sistemas Ltda - ME
• Vinculado ao auxílio: 15/08191-5 - Framework híbrido de recomendação para o setor imobiliário baseado em informações geográficas e conjuntos Big Data, AP.PIPE
• Assunto(s): Sistemas de recomendação Mercado imobiliário Frameworks Sistema de informação geográfica (SIG) Big data
• Palavra(s)-Chave do Pesquisador: big data | Informações Geográficas | sistemas de recomendação | Sistemas de Recomendação

Resumo

A criação de um sistema de recomendação voltado ao setor imobiliário consiste em uma oportunidade interessante, contudo as técnicas existentes para sugestão de produtos não atendem de maneira satisfatória as especificidades desse mercado - isso porque a precificação, a oferta e a procura de imóveis são características afetadas diretamente pela localização geográfica dos empreendimentos. Dessa forma, a construção de um sistema de recomendação que atenda a esse mercado inclui dois desafios principais: 1) elaboração de uma estratégia inovadora de recomendação que leve em consideração a localização geográfica dos imóveis; 2) criação de um framework de recomendação híbrido que combine as estratégias convencionais com a estratégia espacial a ser desenvolvida. O presente projeto compõe o estudo de viabilidade técnica para criação de um sistema de recomendação para o setor imobiliário com foco no item 1) acima, ou seja, confecção de um algoritmo específico de recomendação baseado na localização geográfica. Nesse sentindo, o desafio é obter um conjunto de recomendações baseado no fato de que usuários que se interessaram por imóveis próximos tendem a ter gostos semelhantes. (AU)