Resultados para Recomendação de Filmes

Para a base de dados de filmes, não foi possível aplicar o contexto físico como no problema de recomendação de eventos. Entretanto, por possuir a rede de amigos de cada usuário, foi possível aplicar a filtragem social.

Como pode ser observado na Figura 4.10, o desempenho da filtragem social para esta base de dados apresentou resultados melhores quando comparados com a aplicação de algoritmos

4.4. CONSIDERAÇÕES FINAIS 50

Figura 4.11: Precisão x Cobertura e Contexto Social para a Base de Filmes

Fonte: Elaborada pelo autor

tradicionais de SVD, FCI e FCU apenas. Apesar do desempenho para as primeiras posições de N não serem muito superiores, a cobertura na posição N=20 apresenta resultados bem melhores quando fazem uso da filtragem social. Enquanto que para N=40 a cobertura com a filtragem social atinge quase 100% de cobertura, as técnicas tradicionais, SVD, FCI e FCU, não chegam a 70%. Para SVD o ganho é o mais expressivo, enquanto na posição N=40 apenas a aplicação do algoritmo obtém resultados próximos a 50%, o uso da filtragem social consegue resultados próximos a 100%. Ou seja, o modelo proposto consegue quase dobrar a cobertura da recomendação no experimento para SVD.

A relação de precisão e cobertura apresentada na Figura 4.11 para a base de dados de filmes apresentou um baixo desempenho desde as primeiras posições N. Devido a definição da precisão pela metodologia de avaliação, além da relação precisão e cobertura já serem muito baixas desde as primeiras posições N, tendem a piorar com o aumento da posição N. Ainda assim, percebe-se melhores resultados para todas as linhas pontilhadas que utilizam filtragem em todo o gráfico. Para SVD, por exemplo, os resultados que utilizam filtragem social nas primeiras posições de N apresentam-se bem superiores comparado com a aplicação apenas do algoritmo puro. Além disso, em nenhum momento observa-se superioridade da relação de precisão e cobertura de modelos tradicionais sem incorporação contextual.

4.4

Considerações Finais

O desempenho de cada estudo de caso está diretamente ligado a qualidade e quantidade dos dados disponíveis em cada base de dados. Para o problema de recomendação de eventos

4.4. CONSIDERAÇÕES FINAIS 51 observa-se uma grande quantidade tanto de usuários quanto de avaliações. O espaço de busca no estudo de caso de eventos é bem superior ao problema recomendação de filmes, tal diferença reflete na qualidade das recomendações. A grande diferença nos resultados é perceptível desde as primeiras posições de N. A aplicação do contexto social foi bem mais expressiva para o estudo de caso de recomendação de eventos que o de filmes desde as primeiras posições de N. Tal fato pode ser explicado por eventos geralmente reunirem muitas pessoas e essas quase sempre frequentarem eventos em grupo.

Sendo assim, pode-se reduzir o tempo gasto pelo usuário para encontrar novos itens, transformando a lista de itens recomendados em uma nova lista com os itens mais relevantes nas primeiras posições. Além disso, a determinação dos contextos acontece de forma dinâ- mica e eficiente. Por exemplo, para a filtragem social não se faz necessário verificar todos os relacionamentos possíveis de acordo com a lista de amigos, o que poderia ser bem custoso computacionalmente para usuários com muitos amigos. A determinação se o item é socialmente favorável é feita quando se encontra um amigo que tenha avaliado o item em questão com um valor maior ou igual ao definido na modelagem para itens relevantes.

Tendo em vista que, geralmente, usuários seguem conselhos, dicas e muitas vezes compartilham as mesmas preferências com seus amigos, o uso da rede social para verificar as avaliações dos amigos para os itens a serem recomendados demonstrou ser muito útil. Trata-se de uma demonstração implícita de confiança nos amigos na definição de itens como relevantes ou não relevantes.

O contexto físico aplicado na recomendação de eventos não apresentou resultados superiores a aplicação apenas dos algoritmos tradicionais. Portanto, o contexto físico não apresentou ser uma boa estratégia para recomendação nos experimentos realizados. Logicamente, quanto mais registros forem recuperados de eventos passados, maior a chance do modelo acertar em novos eventos. A lista de contextos físicos favoráveis apresenta tuplas únicas, o que facilita a comparação com novos eventos. Além disso, foram considerados apenas eventos válidos os que eram totalmente compatíveis com os da lista de contextos históricos favoráveis, o que faz com que sejam feitas poucas comparações para verificação do contexto físico favorável.

52 52 52

5

Conclusão

Esta dissertação teve como objetivo investigar técnicas de filtragem colaborativa baseadas em contexto, e mais especificamente técnicas baseadas em pós-filtragem. Primeiramente, a partir de um sistema de recomendação base utilizando filtragem colaborativa foi possível realizar recomendações para um usuário alvo. Após isso, foi feito uso da pós filtragem com os contextos favoráveis, físicos e sociais, dos usuários para definição de relevância ou não do item.

Este trabalho apresentou como informações físicas e sociais podem ser úteis para reco- mendar itens. Para tal, foi aplicada uma pós filtragem para selecionar condições favoráveis para boas avaliações baseadas em avaliações passadas. Através de avaliações de amigos de usuário e atributos dos itens, foi possível identificar quais seriam os melhores itens a serem recomendados.

As técnicas implementadas foram aplicadas em dois estudos de caso com duas bases de dados de domínios diferentes: uma base composta por eventos e outra por filmes. Na recomendação de eventos, investigamos o uso de contextos físicos (i.e., tempo e local) e de contextos sociais (i.e., amigos na rede social) associados aos itens sugeridos aos usuários. Na recomendação de filmes, por sua vez, investigamos novamente o uso de contexto social. A partir da aplicação de pós-filtragem em três algoritmos de filtragem colaborativa usados como base, foi possível recomendar itens de forma mais precisa.

O contexto social demonstrou ser muito importante mesmo depois de já se fazer uso da filtragem colaborativa. A pós filtragem utilizando contexto social através das avaliações de amigos consegue deixar as recomendações ainda mais precisas. Portanto, mesmo depois de se verificar inicialmente a similaridade entre itens ou usuários na base com a filtragem colaborativa, a filtragem social ainda pode ser um fator determinante na recomendação.

Além do social, o contexto físico na recomendação de eventos demonstra que usuários possuem preferências contextuais físicas marcantes. Mesmo não possuindo resultados tão bons quanto o contexto social, o contexto físico pode vir a melhorar recomendações direcionando usuários a repetir boas experiências a partir de dados de localização e temporais de avaliações passadas.

5.1. TRABALHOS FUTUROS 53

5.1

Trabalhos Futuros

Como possíveis trabalhos futuros, pode-se:

 Aplicar o modelo proposto em outras bases de dados de diferentes domínios.Além disso, Variar os parâmetros utilizados nos experimentos. A definição de vizinhança poderia ter sido feito de forma flexível a depender da base de dados. Para SVD, a quantidade de interações de treinamento, numero de fatores e lambda também poderiam variar de acordo com o domínio do problema e a quantidade de hardware disponível para aplicação do modelo.

 Aplicar outras metodologias de avaliação. A metodologia de avaliação utilizada foca nos primeiros itens da lista de itens a serem recomendados, o uso de outras técnicas poderia focar na recomendação de apenas um item, ou de poucos itens. Além disso, buscando aleatoriamente eventos que não foram avaliados pelo usuário, a tendência de que um item bem avaliado apareça nas primeiras posições é alta.

 Utilização do contexto atual no momento da recomendação. Os contextos utilizados, social e físico, foram estático, ou seja, a partir de informações históricas. Além disso, outras técnicas de incorporação contextual podem ser exploradas. Além da pós filtragem, a proposta poderia ter usado outras técnicas de incorporação contextual como pré filtragem e modelagem. A combinação do contexto físico e social poderia deixar as recomendações mais precisas e a definição da lista de preferências de contextos físicos poderia ser ordenada de acordo com a frequência de boas avaliações por cada contexto. Desta forma, alguns contextos físicos poderia se tornar mais importante que outros.

 Técnicas de confiança poderiam ser utilizadas para definição dos amigos mais confiá- veis e aprimorar assim a definição de relevância ou não do item a partir de amigos realmente confiáveis.

54 54 54

Referências

ABOWD, G. D. et al. Cyberguide: a mobile context-aware tour guide. Wireless networks, [S.l.], v.3, n.5, p.421–433, 1997.

ADOMAVICIUS, G.; TUZHILIN, A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. Knowledge and Data Engineering, IEEE Transactions on, [S.l.], v.17, n.6, p.734–749, 2005.

ADOMAVICIUS, G.; TUZHILIN, A. Context-aware recommender systems. In: Recommender systems handbook. [S.l.]: Springer, 2011. p.217–253.

AGARWAL, A. et al. A Reliable Effective Terascale Linear Learning System. CoRR, [S.l.], v.abs/1110.4198, 2011.

AGARWAL, V.; BHARADWAJ, K. A collaborative filtering framework for friends

recommendation in social networks based on interaction intensity and adaptive user similarity. Social Network Analysis and Mining, [S.l.], v.3, n.3, p.359–379, 2013.

BAWDEN, D.; ROBINSON, L. The dark side of information: overload, anxiety and other paradoxes and pathologies. Journal of information science, [S.l.], v.35, n.2, p.180–191, 2009. BAZIRE, M.; BRÉZILLON, P. Understanding context before using it. In: Modeling and using context. [S.l.]: Springer, 2005. p.29–40.

BETTINI, C. et al. A survey of context modelling and reasoning techniques. Pervasive and Mobile Computing, [S.l.], v.6, n.2, p.161–180, 2010.

BREESE, J. S.; HECKERMAN, D.; KADIE, C. Empirical analysis of predictive algorithms for collaborative filtering. In: FOURTEENTH CONFERENCE ON UNCERTAINTY IN

ARTIFICIAL INTELLIGENCE. Proceedings. . . [S.l.: s.n.], 1998. p.43–52.

CHEN, J. et al. Make new friends, but keep the old: recommending people on social networking sites. In: SIGCHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS. Proceedings. . . [S.l.: s.n.], 2009. p.201–210.

CHEN, W.-Y. et al. Collaborative filtering for orkut communities: discovery of user latent behavior. In: WORLD WIDE WEB, 18. Proceedings. . . [S.l.: s.n.], 2009. p.681–690. CHEVERST, K. et al. Developing a context-aware electronic tourist guide: some issues and experiences. In: SIGCHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS. Proceedings. . . [S.l.: s.n.], 2000. p.17–24.

COUTAZ, J. et al. Context is key. Communications of the ACM, [S.l.], v.48, n.3, p.49–53, 2005.

CREMONESI, P.; KOREN, Y.; TURRIN, R. Performance of recommender algorithms on top-n recommendation tasks. In: ACM CONFERENCE ON RECOMMENDER SYSTEMS.

Proceedings. . . [S.l.: s.n.], 2010. p.39–46.

DASGUPTA, P. Trust as a commodity. Trust: Making and breaking cooperative relations, [S.l.], v.4, p.49–72, 2000.

REFERÊNCIAS 55 DEY, A. K. Understanding and using context. Personal and ubiquitous computing, [S.l.], v.5, n.1, p.4–7, 2001.

DOU, W. et al. A recommendation-based peer-to-peer trust model. Journal of software, [S.l.], v.15, n.4, p.571–583, 2004.

DUBOIS, T. et al. Improving recommendation accuracy by clustering social networks with trust. Recommender Systems & the Social Web, [S.l.], v.532, p.1–8, 2009.

FALCONE, R.; CASTELFRANCHI, C. Transitivity in trust a discussed property. , [S.l.], 2010. FENG, H.; QIAN, X. Recommendation via user’s personality and social contextual. In: ACM INTERNATIONAL CONFERENCE ON CONFERENCE ON INFORMATION &

KNOWLEDGE MANAGEMENT, 22. Proceedings. . . [S.l.: s.n.], 2013. p.1521–1524. FLING, B. Mobile Design and Development: practical concepts and techniques for creating mobile sites and web apps. [S.l.]: "O’Reilly Media, Inc.", 2009.

FOLKERTS, J. A comparison of reputation-based trust systems. , [S.l.], 2005.

GANS, G. et al. Continuous requirements management for organisation networks: a (dis) trust-based approach. Requirements Engineering, [S.l.], v.8, n.1, p.4–22, 2003.

GOLBECK, J. Generating predictive movie recommendations from trust in social networks. [S.l.]: Springer, 2006.

GOLBECK, J.; PARSIA, B.; HENDLER, J. Trust networks on the semantic web. [S.l.]: Springer, 2003.

GORI, M.; WITTEN, I. The bubble of web visibility. Communications of the ACM, [S.l.], v.48, n.3, p.115–117, 2005.

GUHA, R. et al. Propagation of trust and distrust. In: WORLD WIDE WEB, 13. Proceedings. . . [S.l.: s.n.], 2004. p.403–412.

GUY, I.; CARMEL, D. Social Recommender Systems. In: INTERNATIONAL CONFERENCE COMPANION ON WORLD WIDE WEB, 20., New York, NY, USA. Proceedings. . . ACM, 2011. p.283–284. (WWW ’11).

GUY, I.; GEYER, W. Social recommender system tutorial. In: ACM CONFERENCE ON RECOMMENDER SYSTEMS, 8. Proceedings. . . [S.l.: s.n.], 2014. p.403–404.

HUSSAIN, F. K.; HUSSAIN, O. K.; CHANG, E. An overview of the interpretations of trust and reputation. In: EMERGING TECHNOLOGIES AND FACTORY AUTOMATION, 2007. ETFA. IEEE CONFERENCE ON. Anais. . . [S.l.: s.n.], 2007. p.826–830.

JAMALI, M.; ESTER, M. Trustwalker: a random walk model for combining trust-based and item-based recommendation. In: ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, 15. Proceedings. . . [S.l.: s.n.], 2009. p.397–406.

JIANG, M. et al. Social contextual recommendation. In: ACM INTERNATIONAL CONFERENCE ON INFORMATION AND KNOWLEDGE MANAGEMENT, 21. Proceedings. . . [S.l.: s.n.], 2012. p.45–54.

REFERÊNCIAS 56 KAUTZ, H.; SELMAN, B.; SHAH, M. Referral Web: combining social networks and

collaborative filtering. Communications of the ACM, [S.l.], v.40, n.3, p.63–65, 1997. KING, I.; LYU, M. R.; MA, H. Introduction to social recommendation. In: WORLD WIDE WEB, 19. Proceedings. . . [S.l.: s.n.], 2010. p.1355–1356.

KOREN, Y.; BELL, R.; VOLINSKY, C. Matrix factorization techniques for recommender systems. Computer, [S.l.], n.8, p.30–37, 2009.

LI, H.; WU, D.; MAMOULIS, N. A revisit to social network-based recommender systems. In: ACM SIGIR CONFERENCE ON RESEARCH & DEVELOPMENT IN INFORMATION RETRIEVAL, 37. Proceedings. . . [S.l.: s.n.], 2014. p.1239–1242.

LINDEN, G.; SMITH, B.; YORK, J. Amazon. com recommendations: item-to-item collaborative filtering. Internet Computing, IEEE, [S.l.], v.7, n.1, p.76–80, 2003.

MA, H. et al. Recommender systems with social regularization. In: ACM INTERNATIONAL CONFERENCE ON WEB SEARCH AND DATA MINING. Proceedings. . . [S.l.: s.n.], 2011. p.287–296.

MA, N. et al. Trust relationship prediction using online product review data. In: ACM

INTERNATIONAL WORKSHOP ON COMPLEX NETWORKS MEET INFORMATION & KNOWLEDGE MANAGEMENT, 1. Proceedings. . . [S.l.: s.n.], 2009. p.47–54.

MASSA, P.; AVESANI, P. Trust-aware collaborative filtering for recommender systems. In: On the Move to Meaningful Internet Systems 2004: coopis, doa, and odbase. [S.l.]: Springer, 2004. p.492–508.

MASSA, P.; AVESANI, P. Trust-aware recommender systems. In: ACM CONFERENCE ON RECOMMENDER SYSTEMS, 2007. Proceedings. . . [S.l.: s.n.], 2007. p.17–24.

MASSA, P.; AVESANI, P. Trust metrics in recommender systems. In: Computing with social trust. [S.l.]: Springer, 2009. p.259–285.

MELVILLE, P.; MOONEY, R. J.; NAGARAJAN, R. Content-boosted collaborative filtering for improved recommendations. In: AAAI/IAAI. Anais. . . [S.l.: s.n.], 2002. p.187–192.

MULVENNA, M. D.; ANAND, S. S.; BÜCHNER, A. G. Personalization on the Net using Web mining: introduction. Communications of the ACM, [S.l.], v.43, n.8, p.122–125, 2000. O’DONOVAN, J.; SMYTH, B. Trust in recommender systems. In: INTELLIGENT USER INTERFACES, 10. Proceedings. . . [S.l.: s.n.], 2005. p.167–174.

OWEN, S. et al. Mahout in action. [S.l.]: Manning Shelter Island, 2011.

PARK, S.-T. et al. Naïve filterbots for robust cold-start recommendations. In: ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, 12. Proceedings. . . [S.l.: s.n.], 2006. p.699–705.

PAZZANI, M. J. A framework for collaborative, content-based and demographic filtering. Artificial Intelligence Review, [S.l.], v.13, n.5-6, p.393–408, 1999.

REFERÊNCIAS 57 RESNICK, P. et al. GroupLens: an open architecture for collaborative filtering of netnews. In: ACM CONFERENCE ON COMPUTER SUPPORTED COOPERATIVE WORK, 1994. Proceedings. . . [S.l.: s.n.], 1994. p.175–186.

RESNICK, P.; VARIAN, H. R. Recommender systems. Communications of the ACM, [S.l.], v.40, n.3, p.56–58, 1997.

RICCI, F.; ROKACH, L.; SHAPIRA, B. Introduction to recommender systems handbook. [S.l.]: Springer, 2011.

RICHARDSON, M.; AGRAWAL, R.; DOMINGOS, P. Trust management for the semantic web. In: The Semantic Web-ISWC 2003. [S.l.]: Springer, 2003. p.351–368.

SARWAR, B. et al. Incremental singular value decomposition algorithms for highly scalable recommender systems. In: FIFTH INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION SCIENCE. Anais. . . [S.l.: s.n.], 2002. p.27–28.

SCHEIN, A. I. et al. Methods and metrics for cold-start recommendations. In: ACM SIGIR CONFERENCE ON RESEARCH AND DEVELOPMENT IN INFORMATION RETRIEVAL, 25. Proceedings. . . [S.l.: s.n.], 2002. p.253–260.

SIGURBJÖRNSSON, B.; VAN ZWOL, R. Flickr tag recommendation based on collective knowledge. In: WORLD WIDE WEB, 17. Proceedings. . . [S.l.: s.n.], 2008. p.327–336. SINHA, R. R.; SWEARINGEN, K. Comparing Recommendations Made by Online Systems and Friends. In: DELOS WORKSHOP: PERSONALISATION AND RECOMMENDER SYSTEMS IN DIGITAL LIBRARIES. Anais. . . [S.l.: s.n.], 2001. v.1.

STEPHEN, M. Formalising trust as a computational concept. Ph. n dissertation. University of Stirling, scotland, [S.l.], 1994.

SUMI, Y. et al. C-map: building a context-aware mobile assistant for exhibition tours. In: Community computing and support systems. [S.l.]: Springer, 1998. p.137–154.

TANG, J.; HU, X.; LIU, H. Social recommendation: a review. Social Network Analysis and Mining, [S.l.], v.3, n.4, p.1113–1133, 2013.

VIEIRA, V.; TEDESCO, P.; SALGADO, A. C. A process for the design of context-sensitive systems. In: COMPUTER SUPPORTED COOPERATIVE WORK IN DESIGN, 2009. CSCWD 2009. 13TH INTERNATIONAL CONFERENCE ON. Anais. . . [S.l.: s.n.], 2009. p.143–148. WANT, R. et al. The active badge location system. ACM Transactions on Information Systems (TOIS), [S.l.], v.10, n.1, p.91–102, 1992.

WASSERMAN, S.; FAUST, K. Social network analysis: methods and applications. [S.l.]: Cambridge university press, 1994. v.8.

YU, K. et al. Probabilistic memory-based collaborative filtering. Knowledge and Data Engineering, IEEE Transactions on, [S.l.], v.16, n.1, p.56–69, 2004.

YUAN, Q.; CHEN, L.; ZHAO, S. Factorization vs. regularization: fusing heterogeneous social relationships in top-n recommendation. In: ACM CONFERENCE ON RECOMMENDER SYSTEMS. Proceedings. . . [S.l.: s.n.], 2011. p.245–252.

REFERÊNCIAS 58 ZHANG, F. Research on recommendation list diversity of recommender systems. In:

MANAGEMENT OF E-COMMERCE AND E-GOVERNMENT, 2008. ICMECG’08. INTERNATIONAL CONFERENCE ON. Anais. . . [S.l.: s.n.], 2008. p.72–76.

ZHANG, Y.; FENG, Y.-q. Hybrid Recommendation method IN Sparse Datasets: combining content analysis and collaborative filtering. JDCTA: International Journal of Digital Content Technology and its Applications, [S.l.], v.6, n.10, p.52–60, 2012.

ZIEGLER, C.-N.; GOLBECK, J. Investigating interactions of trust and interest similarity. Decision support systems, [S.l.], v.43, n.2, p.460–475, 2007.

ZIEGLER, C.-N.; LAUSEN, G. Analyzing correlation between trust and user similarity in online communities. In: Trust management. [S.l.]: Springer, 2004. p.251–265.

60 60 60

A

Gráficos Completos

Nesse apêndice são postos todos os gráficos gerados nos experimentos para todas as posições de N e não apenas para as primeiras como foi feito nos experimentos.

61

62

63

64

65

66