MODELOS DE SISTEMAS DE RECOMENDAÇÃO COM ALGORITMOS DE MINERAÇÃO DE FLUXO DE DADOS.

JOSE, Eduardo Ferreira 1; ENEMBRECK, Fabrício2;

Resumo

Introdução:Sistemas adaptativos de recomendação mostram cada vez mais a sua necessidade, visto que o processo de definição de perfil de usuário tende a ser um problema dinâmico. Essa área surge com a junção de Mineração de Fluxos de Dados, que lida com problemas incrementais e dinâmicos, e de Sistemas de Recomendação.

Objetivo:O objetivo dessa pesquisa é o desenvolvimento de uma técnica de aprendizagem adaptativa para lidar com mudanças no perfil de consumo baseada no treinamento em segundo plano de um perfil quando identificada uma possível mudança no perfil de consumo. Esse tipo de técnica já tem sido utilizado na área de Mineração de Fluxos de Dados.

Metodologia:Foi realizada uma experimentação utilizando-se de técnicas de esquecimento para observar o comportamento das futuras bases de comparação e identificar se existe uma melhora do Recall@N com o aumento de adaptabilidade. Essa experimentação utilizou das bases Music playlist e Music listen, o algoritmo ISGD como baseline e as técnicas de esquecimento de perfil presentes na literatura User Factor Fading, SD-based User Factor Fading e Forget Unpopular Items.

Resultados:Os resultados obtidos através da experimentação corroboram para a hipótese de que o aumento da adaptabilidade leva ao aprimoramento do desempenho de recomendação. Outro resultado da pesquisa é o mecanismo de aprendizagem BUP. Seu objetivo é a alteração da taxa de aprendizagem para aumentar a adaptabilidade em momentos de mudança de perfil do consumo. Para identificar essa mudança de conceito, é necessário o uso de detectores. Quando detectada a possibilidade de mudança de conceito, o perfil em segundo plano inicia um treinamento com maior eficácia para acompanhar a mudança. O perfil principal é substituído pelo perfil melhor adaptado quando a mudança for de fato detectada. Outro aspecto positivo é que essa abordagem é naturalmente acoplável a qualquer algoritmo de fatoração incremental de matriz por não alterar processos internos de treinamento, fazendo somente a complementação do mesmo como uma camada adicional de processamento.

Conclusões:Diferente das técnicas de esquecimento, a técnica proposta nessa pesquisa visa aumentar a aprendizagem do modelo para gerar maior adaptação. Técnicas de aprendizagem adaptativa para sistemas de recomendação não foram encontradas na literatura. Ademais, o método proposto tem outras características desejáveis como facilidade de acoplamento a outros algoritmos de fatoração incremental de matriz e adaptação a mudanças de perfil de consumo.

Palavras-chave:Sistemas de recomendação. Mineração de fluxos de dados. User background profiling.

Legendas

    1. Estudante
    2. Orientador