Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/37337
Type: Tese
Title: Identificação de uma vizinhança relevante em sistemas de recomendação para TV interativa utilizando tela secundária
Authors: Ricardo Erikson Veras de Sena Rosa
First Advisor: Vicente Ferreira de Lucena Junior
First Referee: Walmir Matos Caminhas
Second Referee: Guilherme Augusto Silva Pereira
Third Referee: Cícero Ferreira Fernandes Costa Filho
metadata.dc.contributor.referee4: Lucas Carvalho Cordeiro
Abstract: Os avanços nas tecnologias de comunicação permitiram a expansão dos serviços de TV, o que possibilitou a disponibilização de uma quantidade crescente de conteúdo audiovisual. Essa grande quantidade de conteúdo introduz um problema conhecido como sobrecarga de informação, onde os usuários não conseguem encontrar conteúdo de seu interesse de maneira eficiente e em tempo hábil. Nesse sentido, os sistemas de recomendação (SRs) surgem como uma ferramenta promissora para ajudar os usuários a superarem o problema da sobrecarga de informação. Esse trabalho explora dois desafios dos SRs para TV Interativa: obtenção dos dados de interação e a melhoria da precisão das recomendações. O primeiro desafio ocorre devido à natureza coletiva dos ambientes de TV, onde a interação tipicamente acontece por meio de um controle remoto que muitas vezes é compartilhado por um grupo de usuários. Por conta disso, é difícil identificar o autor de cada interação de maneira que seja possível utilizar os dados obtidos para customizar conteúdo para um usuário específico com base em suas interações individuais. O segundo desafio é inerente dos SRs. Uma precisão maior se traduz em menos erros de recomendação, o que eleva a confiança dos usuários na utilização do sistema. Para atacar esses desafios, esse trabalho se propõe, primeiramente, a utilizar dispositivos de tela secundária para facilitar a captura de dados individuais dos usuários. Por serem de uso pessoal, as interações realizadas por meio dos dispositivos de tela secundária podem ser identificadas a partir da sua origem. Para melhorar a precisão das recomendações, esse trabalho busca encontrar uma vizinhança mais adequada com base na similaridade entre usuários que avaliaram grupos de objetos relacionados, chamada de similaridade local. Nesse sentido, o método proposto utiliza técnicas baseadas em clusterização, alocação de recursos e normalização. A avaliação dos métodos propostos é realizada por meio da identificação e implementação de cenários para a captura individualizada de dados de interação, e por meio da utilização de métricas de precisão utilizando três bases de dados amplamente adotadas na literatura: MovieLens 100k, MovieLens 1M e Netflix. Os resultados alcançados sugerem a viabilidade técnica do método de captura de dados utilizando telas secundárias e uma melhora na precisão das predições do método proposto para a recomendação de conteúdo.
Abstract: Advances in communication technologies have enabled the expansion of TV services, which has made it possible to make available an increasing amount of audiovisual content. This large amount of content introduces a problem known as information overload, where users cannot find the content of their interest in an efficient and timely manner. Recommender systems (RS) emerge as a promising tool to help users overcome information overload. This work explores two challenges for RS for Interactive TV: obtaining interaction data and improving the prediction accuracy for recommendations. The first challenge arises from the collective nature of TV environments, where interaction often occurs by using a remote control, which is shared by a group of users. As a result, it is difficult to identify the author of each interaction in a way that would be possible to customize the content for a specific user based on their individual interactions. The second challenge is inherent to RS. A greater accuracy translates into fewer recommendation errors, which increases users' confidence in using the system. To tackle these challenges, this work proposes, first, to use second screen devices to facilitate the capture of users' individual data. Since they are intended for personal use, interactions carried out using second screen devices can be individualized. To improve the prediction accuracy, this work seeks to find a more suitable neighborhood that relies on the similarity between users who evaluated groups of related objects, called local similarity. For this, the proposed method uses techniques that are based on clustering, resource allocation, and normalization. The evaluation of the proposed methods is performed by identifying and implementing scenarios for the individualized capture of interaction data and using prediction accuracy metrics on three databases widely used in the literature: MovieLens 100k, MovieLens 1M, and Netflix. The achieved results suggest the technical feasibility of the method for data capture using secondary screens and an improvement in the accuracy of the prediction approach that was proposed in this work.
Subject: Engenharia elétrica
Sistemas de recomendação
Filtragem colaborativa
Multimídia interativa
language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal de Minas Gerais
Publisher Initials: UFMG
metadata.dc.publisher.department: ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica
Rights: Acesso Aberto
metadata.dc.rights.uri: http://creativecommons.org/licenses/by-nc-sa/3.0/pt/
URI: http://hdl.handle.net/1843/37337
Issue Date: 25-Feb-2021
Appears in Collections:Teses de Doutorado

Files in This Item:
File Description SizeFormat 
thesis.pdfTese1.8 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons