Atualmente, com a grande sobrecarga de informações, serviços e produtos disponíveis na Web, os usuários tem encontrado dificuldades em identificar o que de fato é relevante para seus interesses e preferências. Sendo assim, sistemas de recomendação estão sendo desenvolvidos e implantados em um número cada vez maior de sites e aplicações com o objetivo de auxiliar os usuários sugerindo itens que atendam às suas preferências e necessidades. A tendência nessa área é a utilização de informações relevantes com o objetivo de gerar recomendações mais personalizadas e precisas aos usuários. Estudos comprovam que o uso de informação contextual tem viabilizado a obtenção de bons resultados na recomendação. Um dos grandes desafios encontrados na área de sistemas de recomendação sensíveis ao contexto refere-se à carência de métodos automáticos para a extração desse tipo de informação. Por outro lado, com o avanço da Web 2.0 e a crescente popularidade de redes sociais e comércio eletrônico, usuários têm sido cada vez mais encorajados a escrever reviews descrevendo suas opiniões sobre os itens. Dessas reviews podem ser extraídas informações importantes a serem utilizadas em sistemas de recomendação como contexto e opiniões. Com isso, o propósito geral deste trabalho de doutorado é avançar as pesquisas da área de sistemas de recomendação sensíveis ao contexto, em especial na extração automática de informações contextuais. Para atender aos objetivos do trabalho, foi realizada uma revisão sistemática da literatura de sistemas de recomendação sensíveis ao contexto que utilizam mineração de opiniões. Levando em consideração a carência de métodos automáticos de extração de contexto assim como a relevância das informações extraídas de reviews de usuários para os sistemas de recomendação, neste trabalho de doutorado foram propostos: (i) um método de recomendação sensível ao contexto, CARM-TOM, que executa desde o pré-processamento das reviews até a geração das recomendações utilizando informações contextuais; (ii) CIET.5embed, 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.

Today, with the information, service and product overload on the Web, users have found it difficult to identify what is really relevant to their interests and preferences. Thus, recommender systems are being developed and deployed on an increasing number of websites and applications to assist users in suggesting items that meet their preferences and needs. The trend in this area is the use of relevant information in order to generate more personalized and accurate recommendations to users. Studies show that the use of contextual information has made it possible to obtain good results in the recommendation. One of the major challenges encountered in the context of context-aware recommender systems is the lack of automatic methods for extracting this type of information. On the other hand, with the advancement of Web 2.0 and the growing popularity of social networking and e-commerce, users have been increasingly encouraged to write reviews describing their opinions about the items. From these reviews important information can be extracted for use in recommender systems such as context and opinions. Thus, the general purpose of this doctoral work is to advance research in the area of context-aware recommender systems, especially in the automatic extraction of contextual information. To meet the objectives of the work, a systematic review of context-aware recommender systems using opinion mining has been performed. Taking into account the lack of automatic context extraction methods as well as the relevance of information extracted from user reviews to recommender systems, this doctoral work proposes: (i) a context-aware recommender method, CARM-TOM, which runs from preprocessing reviews to generating recommendations using contextual information; (ii) CIET.5embed, a context extraction technique based on word embeddings; (iii) a context-extraction technique based on association rules, the RulesContext; and (iv) a context extraction technique based on aspect-level opinion mining, the CEOM. These proposals were evaluated using the Yelp review datset, nearest neighbor-based recommender systems, matrix factorization-based recommender systems, and different baselines. The results showed that the use of the information extracted by the proposed techniques led to the generation of more accurate recommendations.