Recommender systems emerged as means of reducing the information overload problem. They require data to correctly function, i.e., users need to provide interactions so their profiles can be constructed, while items need descriptive data to be differentiated, especially in content-based approaches. Those approaches often rely on external sources, which can be structured metadata or unstructured texts such as synopses, news or user reviews. User reviews have increasingly been used as source of information due to their capability of conveying item characteristics as well as the authors opinion towards them. This doctorate research focuses on designing rich, semantic item representations from user reviews in order to increase recommendation accuracy. Beyond that, we aim to analyze their application in several domains, algorithms and recommendation tasks, verifying their quality and differences. We have proposed five conceptbased item representations, which are designed in the vector space model. They all share, in some level, the same feature set, varying in the semantics which their weighting scheme convey. We explore them in a plethora of approaches, algorithms and evaluation settings, from offline experiments to an online user trial. Results reveal the necessity of designing good, semantic item representations, which aid the recommender in correctly differentiating the items in the collection and ultimately producing more relevant suggestions to its users.

Sistemas de recomendação surgiram como forma de reduzir o problema de sobrecarga de informações. Eles necessitam de dados para funcionar corretamente, ou seja, seus usuários precisam fornecer interações para que seus perfis possam ser construídos, enquanto itens precisam de descrições para serem diferenciados, especialmente em abordagens baseadas em conteúdo. Essas abordagens geralmente dependem de fontes externas, que podem ser metadados estruturados ou textos não estruturados, como sinopses, notícias ou resenhas de usuários. As resenhas de usuários têm sido cada vez mais usadas como fonte de informações devido à sua capacidade de transmitir características do item, bem como a opinião do autor em relação a elas. Esta pesquisa de doutorado se concentra no design de representações ricas e semânticas de itens a partir de resenhas de usuários, a fim de aumentar a precisão das recomendações. Além disso, objetiva-se analisar sua aplicação em vários domínios, algoritmos e tarefas de recomendação, verificando sua qualidade e diferenças. Propõem-se cinco representações de itens baseadas em conceitos, que são projetadas no modelo de espaço vetorial. Todas elas compartilham, em algum nível, o mesmo conjunto de características, variando na semântica que seu esquema de ponderação transmite. Elas foram exploradas numa variedade de abordagens, algoritmos e configurações de avaliação, desde experimentos offline até uma avaliação online com usuários reais. Os resultados revelam a necessidade de projetar boas representações semânticas de itens, que ajudam o recomendador a diferenciar corretamente os itens da coleção e, finalmente, produzir sugestões mais relevantes para seus usuários.