Elaboração de um serviço de recomendação híbrido ponderado e misto implantado em webservice RESTful

Authors

  • Herik Santos Lorenção
  • Rafael Vargas Mesquita dos Santos
  • Giovanni Ventorim Comarela

DOI:

https://doi.org/10.54033/cadpedv21n3-113

Keywords:

Recomendação, Justiça, Justiça Individual, Justiça do Grupo

Abstract

Os sistemas de recomendação visam personalizar a experiência do usuário, sugerindo itens, produtos ou informações alinhadas aos seus interesses. Esta pesquisa introduz um serviço de recomendação híbrido implementado via WebService RESTful, explorando a combinação de algoritmos de filtragem colaborativa, de conteúdo e híbrida (ponderada e mista) para otimizar a precisão das recomendações. Realizou-se um estudo de caso no domínio musical, analisando avaliações de músicas de diversos gêneros para avaliar a eficácia do sistema proposto. O foco foi na avaliação de algoritmos híbridos, particularmente o modelo híbrido ponderado, que demonstrou superioridade ao alcançar 81,4% de precisão nas recomendações. Este resultado evidencia a eficiência da abordagem híbrida ponderada, cujas recomendações mostraram-se estatisticamente equivalentes às avaliações dos usuários, conforme verificado pelo teste T. Este estudo reforça a relevância e o potencial dos sistemas de recomendação híbridos em fornecer recomendações precisas e personalizadas, contribuindo para a evolução das técnicas de recomendação e aprimoramento da experiência do usuário em plataformas digitais.

References

AL-SHAMRI, M. Y. H.; BHARADWAJ, K. K. Fuzzy-genetic approach to recommender systems based on a novel hybrid user model. Expert systems with applications, v. 35, n. 3, p.1386–1399, 2008.

ALYARI, F.; JAFARI NAVIMIPOUR, N. Recommender systems: a systematic review of the state of the art literature and suggestions for future research. Kybernetes, v. 47, p. 5, p. 985-1017, 2018.

BARBOSA, C. E. M. Estudo de técnicas de filtragem híbrida em sistemas de recomendação de produtos. Monografia (Trabalho de Conclusão de Curso) – Centro de Informática, Ciência da Computação, UFPE, 2014.

BERTOLACI, L. M. Elaboração de um serviço de recomendação com filtragem baseada em conteúdo. Monografia (Bacharel em Informática), IFES (Instituto Federal do Espírito Santo) – Cachoeiro de Itapemirim, Brazil, 2019.

CAZELLA, S. C.; NUNES, M.; REATEGUI, E. A ciência da opinião: Estado da arte em sistemas de recomendação. In: Carvalho, André Ponce de Leon F. de; Kowaltowski, Tomasz (Org.). Jornada de Atualização de Informática-JAI. 2010. p. 161–216.

CENTENO, R.; FRESNO, V.; CHAQUET, J. From textual reviews to individual reputation rankings: Leaving ratings aside solving mpc task. Expert Systems with Applications, v. 114, p. 1–14, 2018.

CHOI, S.-M.; HAN, Y.-S. A content recommendation system based on category correlations. In: 2010 Fifth International Multi-conference on Computing in the Global Information Technology, IEEE, 2010. p. 66–70.

COSTA, E.; AGUIAR, J.; MAGALHÃES, J. Sistemas de recomendação de recursos educacionais: conceitos, técnicas e aplicações. Jornada de Atualização em Informática na Educação, v. 1, n. 1, 2013.

FALK, K. Practical Recommender Systems. Manning Publications, 2019.

FALTER, T.; BENDER, J.; HUVAR, M., SAVCHENKO, V., WIECHERS, V. System and method for a web service definition. US Patent, v. 7, n. 620, p. 934, 2009.

FIELDING, R. T.; TAYLOR, R. N. Architectural styles and the design of networkbased software architectures. University of California, Irvine Irvine, 2000. v. 7.

GÖKSEDEF, M.; GÜNDÜZ-Ö ĞÜDÜCÜ, S. Combination of web page recommender systems. Expert Systems with Applications, v. 37, n. 4, p. 2911–2922, 2010.

ISINKAYE, F., FOLAJIMI, Y., OJOKOH, B. Recommendation systems: Principles, methods and evaluation. Egyptian Informatics Journal, v. 16, n. 3, p. 261–273, 2015.

KHUSRO, S., ALI, Z., ULLAH, I. Recommender Systems: Issues, Challenges, and Research Opportunities. 2016. p. 1179-1189.

KOREN, Y., BELL, R., VOLINSKY, C. Matrix factorization techniques for recommender systems. Computer, n. 8, p. 30–37, 2009.

LEE, J., KIM, S., LEBANON, G., SINGER, Y. Local low-rank matrix approximation. International conference on machine learning, p. 82–90, 2013.

MENDES, T. M. Elaboração de um serviço de recomendação colaborativa baseada em memória. Monografia (Bacharel em Informática) – IFES (Instituto Federal do Espírito Santo), Cachoeiro de Itapemirim, Brazil, 2018.

PATHAK, B., GARFINKEL, R., GOPAL, R. D., VENKATESAN, R., YIN, F. Empirical analysis of the impact of recommender systems on sales. Journal of Management Information Systems, v. 27, n. 2, p. 159–188, 2010.

RASHID, A. M., ALBERT, I., COSLEY, D., LAM, S. K., MCNEE, S. M., KONSTAN, J. A., RIEDL, J. Getting to know you: learning new user preferences in recommender systems. Proceedings of the 7th international conference on Intelligent user interfaces, p. 127–134, 2002. ACM.

SARWAR, B. M., KARYPIS, G., KONSTAN, J. A., RIEDL, J. et al. Item-based collaborative filtering recommendation algorithms. Www, v. 1, p. 285–295, 2001.

SEDHAIN, S., MENON, A. K., SANNER, S., XIE, L. Autorec: Autoencoders meet collaborative filtering. Proceedings of the 24th International Conference on World Wide Web, p. 111–112. 2015. ACM.

SMITH, B. and Linden, G. Two decades of recommender systems at amazon. com. IEEE internet computing, v. 21, n. 3, p. 12–18, 2017.

WEI, J., HE, J., CHEN, K., ZHOU, Y., TANG, Z. Collaborative filtering and deep learning based recommendation system for cold start items. Expert Systems with Applications, v. 69, p. 29–39, 2017.

WEITZEL, L.; OLIVEIRA, J. Sistemas de recomendação de informação em saúde baseado no perfil do usuário. Anais do XII Congresso Brasileiro de Informática em Saúde, p. 18–22, 2010.

Published

2024-03-20

How to Cite

Lorenção, H. S., Santos, R. V. M. dos, & Comarela, G. V. (2024). Elaboração de um serviço de recomendação híbrido ponderado e misto implantado em webservice RESTful. Caderno Pedagógico, 21(3), e3256. https://doi.org/10.54033/cadpedv21n3-113

Issue

Section

Articles