Para Onde Devo Viajar: Recomendação de Cidades Baseada em Comunidades de Usuários

• Ruhan Bidart Universidade Federal de Minas Gerais
• Adriano C. M. Pereira Universidade Federal de Minas Gerais
• Jussara Almeida Universidade Federal de Minas Gerais
• Anisio Lacerda Universidade Federal de Minas Gerais

Resumo

Sistemas de recomendação têm desempenhado um papel vital nos processos de decisão feitos pelos usuários de sistemas online. Neste trabalho é proposto um sistema de recomendação de cidades que explora os interesses dos usuários e similaridade entre diferentes usuários. A solução proposta cria uma rede social virtual entre os usuários, na qual as conexões são ponderadas pelas similaridades de interesses entre pares de usuários. Esta rede é então utilizada em uma abordagem de filtragem colaborativa. O método proposto foi avaliado em uma grande base de dados coletados do sistema TripAdvisor. Os resultados mostram que a abordagem proposta dobra a precisão em relação a métodos alternativos, os quais são baseados na popularidade das cidades, atingindo 65% para usuários com um maior número de informações compartilhadas.

Palavras-chave: Sistema de Recomendação, Recomendação de Cidades, Comunidades de Usuários

Referências

Adomavicius, G. and Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE Trans. on Knowl. and Data Eng., 17(6):734–749.

Balabanovíc, M. and Shoham, Y. (1997). Fab: Content-based, collaborative recommendation. Commun. ACM, 40(3):66–72.

Cremonesi, P., Koren, Y., and Turrin, R. (2010). Performance of recommender algorithms on top-n recommendation tasks. In Proceedings of the Fourth ACM Conference on Recommender Systems, RecSys ’10, pages 39–46.

Fortunato, S. (2010). Community detection in graphs. Physics Reports, 486(3-5):75 – 174.

Herlocker, J., Konstan, J. A., and Riedl, J. (2002). An empirical analysis of design choices in neighborhood-based collaborative filtering algorithms. Inf. Retr., 5(4):287–310.

Herlocker, J. L., Konstan, J. A., Terveen, L. G., John, and Riedl, T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems, 22:5–53.

Jamali, M. and Ester, M. (2009). Using a trust network to improve top-n recommendation. In Proceedings of the Third ACM Conference on Recommender Systems, RecSys ’09, pages 181–188.

Kurashima, T., Iwata, T., Irie, G., and Fujimura, K. (2010). Travel route recommendation using geotags in photo sharing sites. In Proceedings of the 19th ACM International Conference on Information and Knowledge Management, CIKM ’10, pages 579–588.

Linden, G., Smith, B., and York, J. (2003). Amazon.com recommendations: Item-to-item collaborative filtering. IEEE Internet Computing, 7(1):76–80.

Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.

Noulas, A., Scellato, S., Lathia, N., and Mascolo, C. (2012). A random walk around the city: New venue recommendation in location-based social networks. In Social- Com/PASSAT, pages 144–153. IEEE.

Ricci, F., Rokach, L., Shapira, B., and Kantor, P. B., editors (2011). Recommender Systems Handbook. Springer.

Schafer, J. B., Konstan, J. A., and Riedl, J. (2001). E-commerce recommendation applications. Data Min. Knowl. Discov., 5(1-2):115–153.

Wang, H., Terrovitis, M., and Mamoulis, N. (2013). Location recommendation in location-based social networks using user check-in data. In Proceedings of the 21st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, SIGSPATIAL’13, pages 374–383.

Yang, X., Steck, H., Guo, Y., and Liu, Y. (2012). On top-k recommendation using social networks. In Proceedings of the Sixth ACM Conference on Recommender Systems, RecSys ’12, pages 67–74.