Elaboração de um serviço de Recomendação Híbrido Ponderado e Misto implantado em Webservice RESTful

  • Herik S. Lorenção IFES
  • Rafael V. M. Santos IFES

Resumo


Os sistemas de recomendação possuem o objetivo de sugerir aos seus usuário itens, produtos ou informações de acordo com seus interesses, fazendo com que sua utilização seja cada vez mais difundida, tanto no mercado como em processos de tomada de decisão. Com base no contexto descrito, esse trabalho busca disponibilizar um serviço de recomendação híbrido implantado sobre a estrutura de um WebService RESTful, focado na estruturação dos resultados obtidos em algoritmos de recomendação baseados em filtragem colaborativa, conteúdo e hébrida (utilizando as abordagens ponderada e mista). Foi elaborado um estudo de caso baseado em avaliações de musicas dos mais variados gêneros. O algoritmo de filtragem híbrida ponderada obteve os melhores resultados com 81,4% de acerto nas recomendações, bem como, media das recomendações estatisticamente iguais as medias de avaliações, com base no teste de T.
Palavras-chave: sistema de recomendação, recomendação híbrida, web service

Referências

Al-Shamri, M. Y. H. and Bharadwaj, K. K. (2008). Fuzzy-genetic approach to recommender systems based on a novel hybrid user model. Expert systems with applications,35(3):1386–1399.

Alyari, F. and Jafari Navimipour, N. (2018). Recommender systems: a systematic review of the state of the art literature and suggestions for future research. Kybernetes,47(5):985–1017.

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

Bertolaci, L. M. (2019). 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.

Cazella, S. C., Nunes, M., and Reategui, E. (2010). A ciência da opinião: Estado da arte em sistemas de recomendação. André Ponce de Leon F. de Carvalho; Tomasz Kowaltowski..(Org.). Jornada de Atualização de Informática-JAI, pages 161–216.

Centeno, R., Fresno, V., and Chaquet, J. (2018). From textual reviews to individual reputation rankings: Leaving ratings aside solving mpc task. Expert Systems with Applications, 114:1–14.

Choi, S.-M. and Han, Y.-S. (2010). A content recommendation system based on category correlations. In 2010 Fifth International Multi-conference on Computing in the Global Information Technology, pages 66–70. IEEE.

Costa, E., Aguiar, J., and Magalhães, J. (2013). Sistemas de recomendação de recursos educacionais: conceitos, técnicas e aplicações. Jornada de Atualização em Informática na Educação, 1(1).

Falk, K. (2019).Practical Recommender Systems. Manning Publications.

Falter, T., Bender, J., Huvar, M., Savchenko, V., and Wiechers, V. (2009). System and method for a web service definition. US Patent 7,620,934.

Fielding, R. T. and Taylor, R. N. (2000). Architectural styles and the design of network-based software architectures, volume 7. University of California, Irvine Irvine.

Göksedef, M. and Gündüz-Öğüdücü, Ş. (2010). Combination of web page recommender systems. Expert Systems with Applications, 37(4):2911–2922.

Isinkaye, F., Folajimi, Y., and Ojokoh, B. (2015). Recommendation systems: Principles,methods and evaluation. Egyptian Informatics Journal, 16(3):261–273.

Khusro, S., Ali, Z., and Ullah, I. (2016). Recommender Systems: Issues, Challenges, and Research Opportunities, pages 1179–1189.

Koren, Y., Bell, R., and Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, (8):30–37.

Lee, J., Kim, S., Lebanon, G., and Singer, Y. (2013). Local low-rank matrix approximation. In International conference on machine learning, pages 82–90.

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

Pathak, B., Garfinkel, R., Gopal, R. D., Venkatesan, R., and Yin, F. (2010). Empirical analysis of the impact of recommender systems on sales. Journal of Management Information Systems, 27(2):159–188.

Rashid, A. M., Albert, I., Cosley, D., Lam, S. K., McNee, S. M., Konstan, J. A., and Riedl,J. (2002). Getting to know you: learning new user preferences in recommender systems. In Proceedings of the 7th international conference on Intelligent user interfaces, pages 127–134. ACM.

Sarwar, B. M., Karypis, G., Konstan, J. A., Riedl, J., et al. (2001). Item-based collaborative filtering recommendation algorithms.Www, 1:285–295.

Sedhain, S., Menon, A. K., Sanner, S., and Xie, L. (2015). Autorec: Autoencoders meet collaborative filtering. In Proceedings of the 24th International Conference on WorldWide Web, pages 111–112. ACM.

Smith, B. and Linden, G. (2017). Two decades of recommender systems at amazon. Com. Ieee internet computing, 21(3):12–18.

Wei, J., He, J., Chen, K., Zhou, Y., and Tang, Z. (2017). Collaborative filtering and deep learning based recommendation system for cold start items. Expert Systems with Applications, 69:29–39.

Weitzel, L. and Oliveira, J. (2010). Sistemas de recomendação de informação em saúde baseado no perfil do usuário. In Anais do XII Congresso Brasileiro de Informática em Saúde, pages 18–22.
Publicado
18/07/2021
LORENÇÃO, Herik S.; SANTOS, Rafael V. M.. Elaboração de um serviço de Recomendação Híbrido Ponderado e Misto implantado em Webservice RESTful. In: ENCONTRO NACIONAL DE COMPUTAÇÃO DOS INSTITUTOS FEDERAIS (ENCOMPIF), 8. , 2021, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 49-56. ISSN 2763-8766. DOI: https://doi.org/10.5753/encompif.2021.15950.