Relevance, novelty, diversity and personalization in tag recommendation

Fabiano Muniz Belem

Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/ESBF-B2LFAX

Full metadata record

DC Field	Value	Language
dc.contributor.advisor1	Jussara Marques de Almeida	pt_BR
dc.contributor.advisor-co1	Marcos Andre Goncalves	pt_BR
dc.contributor.referee1	Marcos Andre Goncalves	pt_BR
dc.contributor.referee2	Gisele Lobo Pappa	pt_BR
dc.contributor.referee3	Leandro Balby Marinho	pt_BR
dc.contributor.referee4	Rodrygo Luis Teodoro Santos	pt_BR
dc.contributor.referee5	Marco Antonio Pinheiro de Cristo	pt_BR
dc.creator	Fabiano Muniz Belem	pt_BR
dc.date.accessioned	2019-08-14T13:53:48Z	-
dc.date.available	2019-08-14T13:53:48Z	-
dc.date.issued	2018-03-06	pt_BR
dc.identifier.uri	http://hdl.handle.net/1843/ESBF-B2LFAX	-
dc.description.abstract	The design and evaluation of tag recommendation methods have historically focused on maximizing the relevance of the suggested tags for a given object, such as a movie or a song. However, relevance by itself may not be enough to guarantee recommendation usefulness. In this dissertation, we aim at proposing novel solutions that effectively address multiple aspects related to the tag recommendation problem, notably, relevance, novelty, diversity, and personalization. Towards that goal, we (1) propose and combine various tag quality attributes by means of heuristics and learning-to-rank (L2R) techniques, and (2) extend our best methods to address personalization, novelty (tag's specificity), and diversity (topic coverage), considering different scenarios of interest. Our evaluation, performed with data from five Web 2.0 applications, demonstrates the effectiveness of our new methods, and attest the viability to increase novelty and diversity with only a slight impact on relevance.	pt_BR
dc.description.resumo	O projeto e a avaliação de métodos de recomendação de tags tem focado, historicamente, em maximizar a relevância das tags sugeridas para um dado objeto, como um filme ou uma música. A relevância de uma tag pode ser definida sob duas perspectivas. Em uma perspectiva centrada no objeto, uma tag é relevante se ela descreve corretamente o conteúdo do objeto alvo, enquanto em uma perspectiva personalizada uma tag relevante deve não apenas descrever bem o conteúdo do objeto, mas também satisfazer os interesses do usuário alvo. Entretanto, mesmo utilizando personalização, relevância pode não ser suficiente para garantir a eficácia e utilidade das recomendações, quando considerada isoladamente. Promover novidade e diversidade em recomendação de tags não apenas aumenta as chances de que o usuário selecionará pelo menos algumas das tags recomendadas, mas também ajuda a promover informação (i.e., tags) complementar, cobrindo os múltiplos aspectos ou tópicos relacionados ao objeto alvo. Mesmo assim, nenhum trabalho anterior considerou aspectos de novidade e diversidade no contexto específico de recomendação de tags. Nesta tese, objetivamos propor novas soluções que considerem múltiplos aspectos relacionados ao problema de recomendação de tags, em particular, relevância, novidade, diversidade e personalização. Para isso, nós primeiramente investigamos a eficácia do uso combinado de vários atributos de qualidade de tags, bem como de técnicas de learning-to-rank (L2R) em recomendação de tags com o objetivo de melhorar a relevância das tags recomendadas. Também propomos novos atributos sintáticos e técnicas baseadas na vizinhança do objeto alvo para tratar um cenário específico de cold start. Em seguida, ampliamos nosso foco, estendendo nossos melhores métodos para tratar aspectos relacionados a personalização, novidade (especificidade da tag) e diversidade (cobertura de tópicos). Nós avaliamos nossos métodos utilizando dados reais de cinco aplicações da Web 2.0, a saber, Bibsonomy, LastFM, MovieLens, YahooVideo e YouTube. Nossos resultados experimentais demonstram a eficácia de nossos novos métodos quando comparados ao estado-da-arte, e confirmam a viabilidade de melhorar novidade e diversidade com impactos desprezíveis em relevância. Também verificamos que os atributos sintáticos propostos são responsáveis por ganhos significativos (de até 17% em precisão) sobre nosso melhor método no cenário de cold start. Além disso, atestamos os benefícios da personalização para prover melhores descrições para o objeto alvo, que apresentou ganhos de 15% em média sobre o melhor método centrado no objeto.	pt_BR
dc.language	Português	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	Tag Recommendation	pt_BR
dc.subject	Relevance	pt_BR
dc.subject	Personalization	pt_BR
dc.subject	Diversity	pt_BR
dc.subject	Novelty	pt_BR
dc.subject.other	Tag Recommendation	pt_BR
dc.subject.other	Relevance	pt_BR
dc.subject.other	Personalization	pt_BR
dc.subject.other	Diversity	pt_BR
dc.subject.other	Computação	pt_BR
dc.subject.other	Novelty	pt_BR
dc.title	Relevance, novelty, diversity and personalization in tag recommendation	pt_BR
dc.type	Tese de Doutorado	pt_BR
Appears in Collections:	Teses de Doutorado

Files in This Item:

File	Description	Size	Format
fabianomunizbelem.pdf		2.01 MB	Adobe PDF	View/Open

Show simple item record