A hybrid approach for cold start recommendations

Agrawal, Madhulika; Gonçalves, Teresa; Quaresma, Paulo

doi:10.1109/skima.2017.8294101

Cited by 3 publications

(13 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Um sistema de recomendação é uma tecnologia de filtragem de informação que pode ser usada para prever os ratings dos itens e/ou gerar um ranking de itens que podem ser do interesse dos usuários (RICCI; ROKACH; SHAPIRA, 2015;AGGARWAL, 2016). De acordo com Adomavicius e Tuzhilin (2005), sistemas de recomendação se tornaram uma área independente em meados de 1990 e desde então esses sistemas estão sendo cada vez mais utilizados em diversos setores de aplicação.…”

Section: Sistemas De Recomendação Sensíveis Ao Contextounclassified

“…Porém, a desvantagem é que os itens apresentados aos usuários são sempre os mesmos, sem recomendações dedicadas aos interesses pessoais de cada usuário (PORIYA et al, 2014;HAMMAR;KARLSSON;NILSSON, 2013). Já a recomendação personalizada pode ser resumida como a tarefa de, baseando-se em informações pré-coletadas, estimar preferências (ratings) dos usuários ou, também, recomendar um conjunto de itens com base nessa estimativa (RICCI; ROKACH; SHAPIRA, 2015;AGGARWAL, 2016). Neste trabalho serão abordadas as recomendações personalizadas.…”

Section: Sistemas De Recomendação Sensíveis Ao Contextounclassified

“…Os sistemas de recomendação utilizam vários tipos de dados para gerar recomendações. Nos sistemas tradicionais esses dados são relacionados aos itens que serão sugeridos e aos usuários que receberão as recomendações (RICCI; ROKACH; SHAPIRA, 2015;AGGARWAL, 2016). Esses dados são geralmente as preferências ou interesses dos usuários sobre os itens.…”

Section: Sistemas De Recomendação Sensíveis Ao Contextounclassified

“…As abordagens híbridas (BALABANOVIC; SHOHAM, 1997;WASFI, 1999;CLAY-POOL et al, 1999;MELVILLE;NAGARAJAN, 2002;CAMPOS et al, 2010;AKEHURST et al, 2011;CREMONESI;TURRIN;AIROLDI, 2011;AGUILAR;PORTILLA;PUERTO, 2016;GONÇALVES;QUARESMA, 2017) visam se beneficiar das vantagens de cada tipo de abordagem, reduzindo os problemas que elas apresentam. Assim, as abordagens híbridas combinam métodos colaborativos e baseados em conteúdo.…”

Section: Sistemas De Recomendação Sensíveis Ao Contextounclassified

“…Assim, sistemas de recomendação surgiram com o propósito de auxiliar usuários em suas escolhas. Um sistema de recomendação é uma tecnologia de filtragem de informação que pode ser utilizada para predizer valores de ratings para itens (produtos, serviços, filmes, entre outros), e/ou gerar um ranking personalizado de itens que podem ser do interesse do usuário alvo (RICCI; ROKACH; SHAPIRA, 2015;AGGARWAL, 2016). Dessa maneira, esse tipo de sistema pode auxiliar em decisões como qual produto comprar, qual filme assistir e qual hotel reservar.…”

unclassified

See 4 more Smart Citations

Extração de contexto de reviews para sistemas de recomendação utilizando mineração de textos e opiniões

Sundermann¹

View full text Add to dashboard Cite

Pelo carinho, afeto, dedicação e cuidado que meus pais me deram durante toda a minha existência, dedico esta tese a eles. Com muita gratidão. AGRADECIMENTOSAgradeço a Deus por tantas oportunidades e pessoas maravilhosas colocadas em minha vida.Agradeço a minha família: meus pais Arnaldo e Cidinha, meu filho Kauê e meu noivo Febirson, pela força e motivação para nunca desistir, mesmo com todas as adversidades enfrentadas nesse período. E com tudo, agradeço pela paciência infinita.Agradeço as minhas amigas, quase irmãs, que só pela presença me confortam e me incentivam a não desanimar. Ivone, Roberta e Jéssica, foram muitos risos, choros, cafés e jogos para distrair. Além do inesquecível show do Coldplay.Agradeço imensamente minha orientadora. Sempre muito amiga e compreensível. Orientando além da vida acadêmica, também a vida pessoal. Dando conselhos e me motivando nas horas mais difíceis. Agradeço pela primeira aula na disciplina de Tópicos Avançados em IA. Foi nesse momento que descobri minha paixão por IA e ganhei uma orientadora de TCC, mestrado e doutorado.Agradeço ao Anand pelas orientações e ensinamentos profissionais e pessoais, além das revisões de artigos em inglês. Não poderia deixar de agradecer ao meu co-orientador Marcos Domingues. Devo muitos agradecimentos pela orientação, pelos ensinamentos e pelas parcerias.Agradeço aos parceiros e colaboradores: Roberta Sinoara, Ivone Matsuno, João Antunes, Ricardo Marcacini, Renan de Pádua, Vítor Tonon, entre outros que foram pessoas relevantes para a realização deste trabalho.Agradeço a todos os amigos do Labic pelos vários anos dividindo tantos momentos. Pelas parcerias, ajudas e risadas compartilhadas.Agradeço à Itera (Val e Marco) pela oportunidade e confiança e a todos meus amigos de trabalho que deixam meus dias mais leves.Agradeço ao ICMC -USP, funcionários e professores pelos quase 13 anos de estudos, aprendizados e crescimento pessoal e profissional.Por fim, mas não menos importante, agradeço à CAPES pelo auxílio financeiro que possibilitou o desenvolvimento deste doutorado e os resultados obtidos. uma técnica de extração de contexto baseada em word embeddings; (iii) uma técnica de extração de contexto baseada em regras de associação, a RulesContext; e (iv) uma técnica de extração de contexto baseada em mineração de opiniões no nível dos aspectos, a CEOM. Essas propostas foram avaliadas considerando a base de reviews Yelp, sistemas de recomendação baseados nos vizinhos mais próximos, sistemas de recomendação baseados em fatoração de matrizes e diferentes baselines. Os resultados demonstraram que o uso das informações extraídas pelas técnicas propostas levaram a geração de recomendações mais precisas.Palavras-chave: Contexto, Sistemas de Recomendação, Mineração de Textos, Mineração de Opiniões.ABSTRACT SUNDERMANN, C. V. Extraction of context from reviews for recommender systems using text and opinion mining. 2020. 153 p. Tese (Doutorado em Ciências -Today, with the information, service and product overload on the Web, users have found it difficult to id...

show abstract

Section: Sistemas De Recomendação Sensíveis Ao Contextounclassified

unclassified

See 3 more Smart Citations

Extração de contexto de reviews para sistemas de recomendação utilizando mineração de textos e opiniões

Sundermann¹

View full text Add to dashboard Cite

show abstract

Resolving Cold Start Problem Using User Demographics and Machine Learning Techniques for Movie Recommender Systems

Motadoo

View full text Add to dashboard Cite

There is a substantial increase in demand for recommender systems which have applications in a variety of domains. The goal of recommendations is to provide relevant choices to users. In practice, there are multiple methodologies in which recommendations take place like Collaborative Filtering (CF), Content-based filtering and Hybrid approach. For this paper, we will consider these approaches to be traditional approaches. The advantages of these approaches are in their design, functionality and efficiency. However, they do suffer from some major problems such as data sparsity, scalability and cold start to name a few. Among these problems, cold start is an intriguing area which has been plaguing recommender systems. Cold start problem occurs when the recommender system is not able to recommend new users/items since there is data sparsity. Researchers have formulated innovative techniques to alleviate cold start and the existing research conducted in this area is tremendous since the problem materializes in different use cases. Cold start is categorized into three problems. The first problem is when new users needs product recommendations from the system. The second problem is when new products listed in the system need to be recommended to existing users. The last problem is when new users and new products are present and the recommender engine needs to generate relevant recommendations. In this thesis, we concentrate on the first problem, where a user who is completely new to the system needs quality recommendations. We use a movie recommendation platform as our use case to analyze user demographics and find similarities between existing and new users to produce relevant recommendations.

show abstract

Using Opinion Mining in Context-Aware Recommender Systems: A Systematic Review

et al. 2019

View full text Add to dashboard Cite

Recommender systems help users by recommending items, such as products and services, that can be of interest to these users. Context-aware recommender systems have been widely investigated in both academia and industry because they can make recommendations based on a user’s current context (e.g., location and time). Moreover, the advent of Web 2.0 and the growing popularity of social and e-commerce media sites have encouraged users to naturally write texts describing their assessment of items. There are increasing efforts to incorporate the rich information embedded in user’s reviews/texts into the recommender systems. Given the importance of this type of texts and their usage along with opinion mining and contextual information extraction techniques for recommender systems, we present a systematic review on the recommender systems that explore both contextual information and opinion mining. This systematic review followed a well-defined protocol. Its results were based on 17 papers, selected among 195 papers identified in four digital libraries. The results of this review give a general summary of the current research on this subject and point out some areas that may be improved in future primary works.

show abstract

A hybrid approach for cold start recommendations

Cited by 3 publications

References 3 publications

Extração de contexto de reviews para sistemas de recomendação utilizando mineração de textos e opiniões

Extração de contexto de reviews para sistemas de recomendação utilizando mineração de textos e opiniões

Resolving Cold Start Problem Using User Demographics and Machine Learning Techniques for Movie Recommender Systems

Using Opinion Mining in Context-Aware Recommender Systems: A Systematic Review

Contact Info

Product

Resources

About