• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.55.2021.tde-10052021-132937
Document
Auteur
Nom complet
Vitor Rodrigues Tonon
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Carlos, 2021
Directeur
Jury
Rezende, Solange Oliveira (Président)
Manzato, Marcelo Garcia
Rossi, Rafael Geraldeli
Silva, Diego Furtado
Titre en portugais
Geração de recomendações interpretáveis em sistemas de recomendação utilizando contexto
Mots-clés en portugais
Informação contextual
Interpretabilidade
Redes heterogêneas
Sistemas de recomendação
Resumé en portugais
Usuários enfrentam dificuldades em escolher produtos e serviços na Web devido a grande variedade de possibilidades de escolha. Nesse contexto, os sistemas de recomendação têm como objetivo auxiliar indivíduos a identificarem itens de interesse em um conjunto de opções. As abordagens tradicionais de sistemas de recomendação focam em recomendar itens mais relevantes para usuários individuais, não levando em consideração o contexto dos usuários. Porém, em muitas aplicações reais, é importante também considerar informações contextuais, por meio dos sistemas de recomendação sensíveis ao contexto, uma vez que estudos indicam que o uso de tais informações pode melhorar a acurácia das recomendações. Existem diversos tipos de sistemas de recomendação, como os baseados em conteúdo, na vizinhança de usuários e itens, baseados em fatoração de matrizes e em deep learning. No entanto, a maioria desses sistemas são considerados caixas-pretas, já que não oferecem transparência ao processo de recomendação, o que dificulta que usuários confiem nas recomendações apresentadas. Nesse sentido, fornecer recomendações interpretáveis tende a aumentar a confiança e a satisfação do usuário em relação ao sistema. O uso de explicações em sistemas de recomendação tem se mostrado uma área de pesquisa promissora, mas, ainda assim, poucos trabalhos exploraram a utilização de contexto como forma de gerar as explicações. Diante desse cenário, este projeto tem como objetivo propor o método HINCARS que gera recomendações interpretáveis utilizando informações contextuais. Os resultados obtidos mostraram que o método obteve resultados equiparáveis a um algoritmo estado-da-arte.
Titre en anglais
Generating interpretable recommendations in recommender systems using context
Mots-clés en anglais
Contextual information
Heterogeneous network
Interpretability
Recommender systems
Resumé en anglais
Users face difficulties in choosing products and services on the Web because of the wide range of options. In this context, recommendation systems aim to assist users in identifying items of interest within a set of options. Traditional approaches to recommender systems focus on recommending more relevant items to individual users, not taking into account users context. However, in many real-world applications, it is also important to consider contextual information through the use of context-aware recommender systems. Several studies have indicated that using such information can improve the accuracy of recommendations. There are various types of recommendation systems, such as contentbased, neighborhood-based, matrix factorization and deep-learning-based systems. However, most of these systems are considered black boxes, since they do not offer transparency to the recommendation process, which makes it difficult for users to trust the recommendations that are presented to them. In this sense, providing interpretable recommendations tends to increase user confidence and satisfaction with the system. The use of explanations in recommendation systems has shown to be a promising area of research, but only a few works have explored the use of context as a way of generating explanations. Given this scenario, this project aims to propose a method that generates interpretable recommendations using contextual information. The obtained results showed that HINCARS had similar performance than a state-of-the-art recommendation method.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2021-05-10
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2021. Tous droits réservés.