Explorando a Dissimilaridade em Sistemas Colaborativos de Recomendação

• Lucas Miranda UFMG
• Fernando Mourão UFMG
• Wagner Meira Jr. UFMG

Resumo

O grande volume de opções existentes em variadas aplicações comerciais tornaram Sistemas de Recomendação (SR) ferramentas cruciais para auxiliar os usuários em suas escolhas. Apesar dos avanços recentes em SR, há ainda uma necessidade por técnicas mais eficazes e aplicáveis a um número maior de domínios. Muitos problemas existentes decorrem do emprego de um modelo restrito das relações entre usuários. Neste trabalho, propomos uma modelagem diferenciada, que permite extrapolar a usual análise de similaridade. Além disso, propomos uma técnica que, explorando informações definidas como dissimilaridade, provê melhorias significativas sobre métodos tradicionais de sistemas colaborativos, bem como reduz o custo de análise requerido por tais técnicas.

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 TKDE, 17(6):734–749.

Breese, J., Heckerman, D., and Kadie, C. (1992). Empirical analysis of predictive algorithms for collaborative filtering. Learning, 9:309–347.

Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User Modeling and User-Adapted Interaction, 12(4):331–370.

Han, J., Pei, J., and Yin, Y. (2000). Mining frequent patterns without candidate generation. ACM SIGMOD Record, 29(2):1–12.

Hu, Y., Koren, Y., and Volinsky, C. (2008). Collaborative filtering for implicit feedback datasets. In 8th IEEE ICDM, pages 263–272.

Kagie, M., Van Wezel, M., and Groenen, P. An Empirical Comparison of Dissimilarity Measures for Recommender Systems.

Koren, Y. (2009). Collaborative filtering with temporal dynamics. In Proc. of the 15th SIGKDD, pages 447–456. ACM New York, NY, USA.

Park, Y. and Tuzhilin, A. (2008). The long tail of recommender systems and how to leverage it. In Proc. of the 2008 ACM RecSys, pages 11–18. ACM.