Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/ESBF-ANWNLQ
Type: | Tese de Doutorado |
Title: | Similarity-enhanced collaborative filtering |
Authors: | Ramon Pereira Lopes |
First Advisor: | Renato Martins Assuncao |
First Co-advisor: | Rodrygo Luis Teodoro Santos |
First Referee: | Rodrygo Luis Teodoro Santos |
Second Referee: | Flavio Vinicius Diniz de Figueiredo |
Third Referee: | Edleno Silva de Moura |
metadata.dc.contributor.referee4: | Leandro Balby Marinho |
metadata.dc.contributor.referee5: | Marcelo Garcia Manzato |
Abstract: | Fatoração de Matrizes (FM) e modelos de vizinhança são as duas abordagens mais difundidas para Sistemas de Recomendação no contexto de Filtragem Colaborativa. Recentemente, modelos de recomendação baseados em grafo surgiram como uma alter- nativa àquelas abordagens Apesar de pouca atenção ter sido dedicada a esses modelos. Neste trabalho, exploramos dados colaborativos com o objetivo de prover recomen- dações mais precisas no contexto de FM e recomendação baseada em grafos. Para esse fim, propomos abordagens baseadas em grafo e três funções de pontuação baseada no paradigma Bayesiano, e um novo modelo Bayesiano para FM. Nossa abordagem baseada em grafos, explora caminhos de comprimento três a partir do usuário alvo no grafo de relacionamentos entre usuários e itens, equanto as funções de pontuação, por sua vez, exploram aspectos distribucionais das notas dadas pelos usuários a fim de extrair informações latentes. Nossa abordagem baseada em FM, por sua vez, explora similaridades tanto entre usuários quanto entre itens, de modo que as similaridades são computadas a partir da matriz de interaccão entre usuários e itens. Avaliamos o desempenho dos nossos métodos em várias coleções de teste disponíveis publicamente e comparamos com outras abordagens da literatura sob um conjunto de métricas. Os resultados mostram que os nossos métodos superam aqueles comparados em vários cenários. |
Abstract: | Matrix factorization (MF) and neighborhood models are the two most successful approaches in the context of Collaborative Filtering (CF). Recently, graph-based models have emerged as an effective alternative despite little attention has been devoted to them. In this dissertation, we exploit collaborative data to improve MF and graph-based recommendation. We propose a graph-based approach that exploits three-step paths starting from the target user in the user-item bipartite graph and relies on the scoring functions, which exploit distributional aspects of the ratings given by users in order to extract their latent information. Likewise, we propose a MF approach that exploits both user-user and item-item similarities extracted from the raw user-item rating matrix. We experiment with several publicly available datasets against relevant baselines. The results attest the value of our methods as they provide significant gains in several settings. |
Subject: | Sistemas de recomendação Teoria dos grafos Filtragem colaborativa Computação Teoria bayesiana de decisão estatistica |
language: | Inglês |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
Rights: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/ESBF-ANWNLQ |
Issue Date: | 9-May-2017 |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
ramonpereiralopes.pdf | 1.58 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.