Sistemas de Recomendação ajudam na personalização de sites na Internet oferecendo conteúdo ou produtos específicos aos usuários. Com dispositivos móveis, aumentou o interesse do usuário em ter recomendações personalizadas de locais para ir de acordo com o seu histórico de navegação e avaliações como restaurantes e pontos turísticos. Para que as recomendações personalizadas por locais sejam mais precisas é necessário contextualizá-las de acordo com o interesse do usuário que caracterizado por locais que ele visitou e por regiões de interesse como moradia, onde trabalha ou mesmo onde passará férias. Várias técnicas de contextualização utilizaram todos os locais que o usuário visitou para geração da recomendação contextual do local, outras técnicas trabalham na arquitetura híbrida. Muitas assumem que é necessário a posição exata do usuário para que as recomendações sejam online, o que muitas vezes não é possível por limitações técnicas ou mesmo indisponibilização do usuário por questões de privacidade. O objetivo principal deste trabalho é geração de recomendações usando multicontextos de forma offline, gerando vários contextos de cada usuário. Os locais são recomendados utilizando apenas dados históricos, sem a localização exata no usuário do momento da recomendação. Para atingir este objetivo foram utilizadas técnicas de clustering para mapeamento e divisão dos contextos em regiões indicando o interesse do usuário gerando a recomendação final dos locais a partir de um método híbrido de recomendação que usa filtragem colaborativa e a recomendação contextual proposta. Os resultados mostraram que a técnica proposta apresenta recomendações melhores do que apenas a recomendação colaborativa pura e, para usuários assíduos, as recomendações são melhores do que as técnicas base usadas para comparação.

Recommender Systems help in web sites personalization, offering specific content or products to users. With mobile devices, user interest in Point-of-Interest (POI) recommendation has increased to receive recommendations about places to go according to your navigation and evaluation history in the web site. POI recommendation are improved by contextualizing according to users interest, based on places to where user has been and on regions of interest such as the region where the user lives, works or the region intends go on vacation. Many contextualization techniques use all places that user visited for generation of POI contextual recommendation. Other techniques use hybrid architectures and many of them assume that is necessary the exact point where the user is for online recommendation and this in not possible always due technical limitations or user privacy. The main objective of this work is the offline generation of recommendations using multicontexts. Places to be recommended use only user historical data, without the user current localization at the moment of recommendation. Several techniques have been used for clustering for mapping and division of contexts in regions, indicating the user interests and, finally, generating the final recommendation using a hybrid method with collaborative filtering and contextual recommendation proposed. The results indicate that the proposed technique builds better recommendations than the pure collaborative filtering technique and for heavy users the proposed technique has better results the baseline technique used for comparison.