Orienta��o: REZENDE, Marcelo Novaes de

Ano: 2019

 Os sistemas de recomendação têm atraído grande interesse de negócios digitais por proporcionar experiência personalizada aos usuários por meio de sugestões relacionadas às suas preferências. O problema de cold-start de usuário, abordado por diversos autores na literatura, é muito comum em sistemas de recomendação. Este problema é caracterizado pela falta de informação (ex.: avaliações de itens, compras efetuadas, marcas favoritas, categorias de interesse) do usuário. A falta de informação causa a diminuição da assertividade das recomendações efetuadas por esses sistemas. Este trabalho apresenta uma abordagem baseada em conteúdo social multimodal com intuito de atenuar o problema de cold-start. São selecionados algoritmos de Aprendizado de Máquina utilizados no processamento das recomendações, que são baseadas em informações de imagens e textos provenientes de redes sociais. A validação da proposta se dá pelo atendimento aos requisitos funcionais e não funcionais oriundos da literatura. Entre os requisitos não funcionais, define-se: (1) comportamento em relação ao tempo e (2) utilidade das recomendações, validada por meio das métricas Root Mean Square Error (RMSE) para feedback explicito e Click-Through Rate (CTR) para feedback implícito.

Acesse: cassiopea.ipt.br/teses/2019_EC_Fabio_Longatto.pdf