Ranking-oriented review recommendation

Luciana Bicalho Maroun

Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/ESBF-AE8NS9

Full metadata record

DC Field	Value	Language
dc.contributor.advisor1	Mirella Moura Moro	pt_BR
dc.contributor.advisor-co1	Jussara Marques de Almeida	pt_BR
dc.contributor.referee1	Ana Paula Couto da Silva	pt_BR
dc.contributor.referee2	Marcelo Garcia Manzato	pt_BR
dc.contributor.referee3	Pedro Olmo Stancioli Vaz de Melo	pt_BR
dc.contributor.referee4	Jussara Marques de Almeida	pt_BR
dc.creator	Luciana Bicalho Maroun	pt_BR
dc.date.accessioned	2019-08-10T01:27:15Z	-
dc.date.available	2019-08-10T01:27:15Z	-
dc.date.issued	2016-03-03	pt_BR
dc.identifier.uri	http://hdl.handle.net/1843/ESBF-AE8NS9	-
dc.description.abstract	Reading online reviews before a purchase has become a customary action. Nevertheless, the increasing volume of reviews works as a barrier to their effectiveness so that many approaches try to predict reviews global quality. The perceived helpfulness, however, may not be standardized to all users and a few personalized strategies were proposed, albeit not compared against each other. Also, such techniques are evaluated with a regression metric, whereas we argue that a ranking one is more adequate. In this work, we analyze and compare specialized and generic approaches for review recommendation that were not previously evaluated under a ranking viewpoint. Our results indicate that observed features as well as ranking evaluation are important traits for this problem. Specifically, Support Vector Regression approximates ranking goal and is the best performer. Finally, exploiting new features and jointly optimizing a ranking loss provide a slight but significant improvement.	pt_BR
dc.description.resumo	A leitura de revisões online antes de efetuar uma compra se tornou habitual, uma vez que os usuários dependem das mesmas para realizar escolhas mais bem fundamentadas. Entretanto, o crescente volume de revisões representa uma limitação para a sua eficácia de tal forma que muitas técnicas tentam predizer a qualidade global das mesmas. A utilidade percebida, porém, pode não ser padronizada para todos os usuários devido a diferentes experiências e preferências. Dessa forma, a recomendação de revisões de modo personalizado é provavelmente mais precisa. Considerando essa hipótese, algumas estratégias personalizadas foram propostas para recomendação de revisões que, no entanto, não foram comparadas entre si. Além disso, tais técnicas são tipicamente avaliadas usando uma métrica de regressão, enquanto uma de ranking seria mais adequada por representar melhor o resultado final apresentado aos usuários. Neste trabalho, os métodos de recomendação de revisões especializados são implementados, investigados e comparados assim como outros genéricos que não foram avaliados sob um ponto de vista personalizado e de ranking. Usando um conjunto de dados do Ciao UK, os experimentos realizados consideram ajuste de parâmetros, métricas de regressão e de ranking e comparação por meio de testes estatísticos. Os resultados indicam que as abordagens mais simples superam as mais complexas, e atributos observados assim como a avaliação sob uma perspectiva de ranking são característisticas importantes para esse problema. Todavia, as técnicas de regressão obtêm, supreendentemente, o melhor desempenho para ranking: uma Máquina de Vetor de Suporte para Regressão com kernel linear é a melhor abordagem, seguida pela Regressão Linear. Ambas ultrapassam estatisticamente métodos de aprendizado de ranking, sistemas de recomendação tradicionais e abordagens especializadas. Inspecionando o melhor método, conclui-se que o uso de apenas alguns poucos atributos melhora o desempenho, e a versão não-personalizada não é tão distante em eficácia da personalizada, apesar de estatisticamente pior. Por fim, a inclusão de novos atributos e a otimização conjunta de um erro de ranking provêm uma pequena, porém significativa melhoria em relação à versão original.	pt_BR
dc.language	Inglês	pt_BR
dc.publisher	Universidade Federal de Minas Gerais	pt_BR
dc.publisher.initials	UFMG	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Revisões Online	pt_BR
dc.subject	Recomendação Top-n	pt_BR
dc.subject	Ranking	pt_BR
dc.subject	Utilidade Personalizada	pt_BR
dc.subject	Sistemas de Recomendação	pt_BR
dc.subject.other	Sistemas de recomendação	pt_BR
dc.subject.other	Computação	pt_BR
dc.subject.other	Sistemas de recuperação da informação	pt_BR
dc.title	Ranking-oriented review recommendation	pt_BR
dc.type	Dissertação de Mestrado	pt_BR
Appears in Collections:	Dissertações de Mestrado

Files in This Item:

File	Description	Size	Format
lucianamaroun.pdf		4.98 MB	Adobe PDF	View/Open

Show simple item record