Uma Arquitetura para a Recomendação de Consumidores de Queijo Artesanal Brasileiro
Resumo
Coletar informações de redes sociais se tornou essencial para a sobrevivência e modernização de muitas empresas. Com este objetivo, este trabalho apresenta uma arquitetura capaz de buscar, analisar e recomendar o conteúdo e a propagação de informações nas redes sociais, considerando o mercado de laticínios brasileiro. Usando ontologias e mecanismos de inferência, a arquitetura é capaz de suportar a classificação do conteúdo do usuário e apresentá-la através de mecanismos de visualização. Com essa arquitetura, buscamos apoiar pesquisas de mercado realizadas na Embrapa Gado de Leite. Os resultados obtidos em um estudo de viabilidade foram satisfatórios e mostraram que a arquitetura fornece suporte aos pesquisadores.
Referências
Abu-Salih, B., Wongthongtham, P., & Chan, K. Y. (2018) “Twitter mining for ontologybased domain discovery incorporating machine learning”, Journal of Knowledge Management, p. 949-981.
Aggarwal, C. C. (2016) “An Introduction to Recommender Systems Recommender”, Springer International Publishing, p. 1-28.
Batmaz, Z.; Yurekli, A.; Bilge, A. & Kaleli, C. (2018) “A review on deep learning for recommender systems: challenges and remedies”, A.I. Review, p. 1-37.
Chen, Y., Yu, B., Zhang, X., & Yu, Y. (2016) “Topic modeling for evaluating students’ reflective writing: a case study of pre-service teachers’ journals”, Proceedings of the Sixth International Conference on LAK’16, ACM, p. 1-5.
Chianese, A.; Marulli, F. & Piccialli, F. (2016) “Cultural Heritage and Social Pulse: A Semantic Approach for CH Sensitivity Discovery in Social Media Data”, IEEE ICSC, p. 1-6.
Galletta, A., Carnevale, L., Celesti, A., Fazio, M., & Villari, M. (2018) “A Cloud-Based System for Improving Retention Marketing Loyalty Programs in Industry 4.0: A Study on Big Data Storage Implications”, IEEE Access, 6, 5485–5492.
Guarino, N. (1998) “Formal ontology in information systems”, Proceedings of the first international conference (FOIS'98), Trento, Italy IOS press, p. 3-15.
McAfee, A., Brynjolfsson, E., Davenport, T. H., Patil, D. J., & Barton, D. (2012) “Big data: the management revolution”, Harvard business review, p. 60–68.
Nardy, V. P. D. R., Carvalho, G. R. & da Rocha, D. T. (2019) “Mercado de leite fluido e queijos no Brasil: uma análise de 2005 a 2016”, Embrapa Gado de Leite, p. 1-5.
Nart, D. D., Degl'Innocenti, D., Basaldella, M., Agosti, M. & Tasso, C., (2016) “A Content-Based Approach to Social Network Analysis: A Case Study on Research Communities”, CCIS, Springer International Publishing, p. 142-154.
Pak, A., & Paroubek, P. (2010) “Twitter as a Corpus for Sentiment Analysis and Opinion Mining”, Proceedings of the 7th International Conference on LREC'10, p. 1320-1326.
Siqueira, K. B. (2019) “O mercado consumidor de leite e derivados”, Embrapa Gado de Leite - Circular Técnica (infoteca-e), p. 1-17.
Talamini, E. & Ferreira, G. M. V. (2010) “Merging netchain and social network: Introducing the social netchain concept as an analytical framework in the agribusiness sector”, African journal of business management, Academic Journals, p. 2981-2993.
Tao, K., Abel, F., Gao, Q. & Houben, G.-J. (2012) “TUMS: Twitter-Based User Modeling Service Lecture Notes in Computer Science”, Springer Berlin Heidelberg, p. 1-15.
Yang, X., Dong, M., Chen, X., & Ota, K. (2020) “Recommender System-Based Diffusion Inferring for Open Social Networks”, IEEE TCSS, p. 24–34.
Young, T., Hazarika, D., Poria, S. & Cambria, E. (2018) “Recent Trends in Deep Learning Based Natural Language Processing”, IEEE CIM, p. 55-75.