A crescente oferta de produtos, serviços e informações na Web tem levado diversas aplicações a utilizar e desenvolver sistemas de recomendação para sugerir conteúdos de acordo com as preferências de cada usuário específico. Nesses sistemas, uma grande quantidade de dados rotulados deve estar disponível para obter boas previsões. No entanto, os dados rotulados são frequentemente limitados e caros de se obter, uma vez que a rotulagem geralmente requer tempo e conhecimento humano. Além disso, geralmente, os usuários estão interessados apenas nas recomendações com melhores posições, enquanto as sugestões com posições inferiores são ignoradas. Como faltam métodos que promovam o enriquecimento (rotulagem) com classificação, este trabalho propõe uma técnica que recomenda os top-n itens com base em dados enriquecidos. O enriquecimento é baseado em um método de co-treinamento, cuja aprendizagem usa múltiplas visualizações - dados divididos em dois subconjuntos separados - para diminuir a esparsidade dos dados. A escolha dos itens no enriquecimento é baseada em uma métrica de confiança, que busca itens mais relevantes para usuário. Então, esses dois subconjuntos enriquecidos são combinados com um método de ensemble. Na avaliação, utilizamos conjuntos de dados reais de domínios distintos e os experimentos mostram que o método proposto atinge melhores resultados, em comparação com o baseline, quando um algoritmo de recomendação é usado nestes dados enriquecidos combinados.

The growing supply of products, services and information on Web has led several applications to use and develop recommendation systems to suggest content according to each specific users preference. In these systems, a large amount of labeled data must be available to obtain good predictions. However, labeled data are often limited and expensive to obtain, since labelling usually requires time and human knowledge. Besides, usually, users are only interested in the best ranked recommendations, while lower-ranked suggestions are ignored. Since there is a lack of methods that promote enrichment (labelling) with ranking, this work proposes a technique that recommends top-n items based on enriched data. The enrichment is based on a co-training method, whose learning uses multiple views, data divided into two disjoint subsets, to decrease the data sparsity. The choice of items to enrich is based on a confidence metric, which seeks items that are more relevant to the user. Then, these two enriched subsets are combined with an ensemble method. In our evaluation, we used real data sets from distinct domains and experiments show that the proposed method achieves better results, compared to baseline, when a recommender algorithm is used in this enriched ensemble set.