Product Recommendation Using Classification Algorithms

• Dalton L. Vargas UNC
• Jones Granatyr UNC
• Jeferson Knop UNC
• Cleber de Almeida UNC

DOI: https://doi.org/10.5753/eniac.2018.4462

Resumo

Com a expansão da internet pelo mundo, o início do consumo em dispositivos móveis e a propagação doe-commerce, sistemas de recomendação e mineração de dados, tornaram-se um tema extremamente atrativo. Portanto, é necessário filtrar, priorizar e fornecer informações relevantes, a fim de enfrentar com eficácia o problema da sobrecarga de informações. Assim, o objetivo deste trabalho é trazer contribuições científicas para a área de Inteligência Artificial, no sentido de demonstrar como recomendar produtos, para usuários que não possuem conhecimento técnico específico, através de técnicas de classificação. Nossa proposta é avaliada pela precisão das recomendações obtidas através dos algoritmos de classificação aplicados as bases de dados de treinamento.

Referências

R. Santos. (2007) “Conceitos de Mineração de Dados na Web”. http://www.lac.inpe.br/~rafael.santos/Docs/WebMedia/2009/webmedia2009.pdf. Janeiro.

Benevenuto, Fabrício; Almeida, Jussara M.; Silva, Altigran S. (2008) “Coleta e Análise de Grandes Bases de Dados de Redes Sociais Online”, In IEEE Multimedia Computing and Networking (MMCN).

Turney, P. D. (1999) “Learning to Extract Keyphrases from Text”. National Research Council, Institute for Information Technology. Technical Report ERB-1057. W. Buntine; Fayyad, G. (1996) “Graphical Models For Discovering Knowledge”. In Research Institute for Advanced Computing Sciences, Computational Sciences Division, NASA Ames Research Center, eds. U.M.

Cabena, P; Hadjinian, P; Stadler, R; Jaapverhees; Zanasi, A. (1998) “Discovering Data Mining: From Concept to Implementation”. Prentice Hall.

Scombatti, G. (2017) “Mineração De Dados, Data Warehouse, Data Mining, BI e OLAP”. https://www.devmedia.com.br/mineracao-de-dados-data-warehouse-data-mining-bi-e-olap-revista-clubedelphi-146/26537. Novembro.

Breese, J., Heckerman, D., And Kadie, C. (1998) “Empirical Analysis of Predictive Algorithms for Collaborative Filtering”. In Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence, Madison, WI, Morgan Kaufmann.

Takahashi, Marcos M. (2015) “Estudo comparativo de Algoritmos de Recomendação”. Universidade de São Paulo.

King, D. (2017) “Numerical Machine Learning”. https://www.cc.gatech.edu/kingd/datatime/datatime.html., Janeiro.

Decker, K; Focardi, S. (2017) “Technological Overview: A Reporto on Data Mining”. ftp://ftp.cscs.ch/pub/CSCS/techreports/1995/CSCS-TR-95-02.ps.gz. Outubro

Larose, D. T. (2005) “Discovering Knowledge in Data: An Introduction to Data Mining”. John Wiley and Sons, Inc.

Hamilton, Bruce; Guer, Craig. (2017) “Data Mining Concepts”. https://docs.microsoft.com/en-us/sql/analysis-services/data-mining/data-mining-

concepts. Outubro.

Moura, W. F., de Lima Francisco, L., & Gonçalves, C. A. (2016). The Dyad Physical/Virtual Stores in the New Markets. International Journal of Business Administration, 7(6), 10.

Almeida, M. R. (2014). O varejo virtual na realidade do consumidor e lojas físicas no Brasil. NEGÓCIOS EM PROJEÇÃO, 5(2), 01-19.

Gartner Data & Analytics Summit 2018. 5. (2018). “Scale the Value of Data and Analytics”. Grapevine, TX.

AN, A. (2006) “Classification Methods”. York University, Canada.

Rezende, S. O. (2005) “Mineração de Dados”. XXV Congresso da Sociedade Brasileira de Computação.

Barros, P. (2017) “Aprendizagem de Maquina: Supervisionada ou Não Supervisionada?”. https://medium.com/opensanca/aprendizagem-de-maquina-supervisionada-ou-n%C3%A3o-supervisionada-7d01f78cd80a. Novembro.

Onoda, M. (2001) “Estudo sobre um algoritmo de árvore de decisão acoplado a um sistema de banco de dados relacional”. Rio de Janeiro.

Candiago, L. (2017) “Algoritmo de Classificação Naive Bayes”.https://www.organicadigital.com/seeds/algoritmo-de-classificacao-naive-bayes/.

Rish, I. (2001) “An empirical study of the naive Bayes classifier”. Proceedings of IJCAI

2001 Workshop on Empirical Methods in Artificial Intelligence.

Nurnberger, A.; Pedrycz, W.; Kruse, R. (2002) “Neural network approaches”. In Klosgen & Zytkow (Eds.), Handbook of data mining and knowledge Discovery (pp. 304-317). Oxford University Press.

Portugal, Ivens; Alencar, Paulo; Cowan, Donald. (2015) “The Use of Machine Learning Algorithms in Recommender Systems: A Systematic Review”, Canada.

Amatriain, Xavier; Jaimes, Alejandro; Oliver, Nuria; Pujo, Josep M. (2011) “Data Mining Methods for Recommender Systems”, Barcelona.

Miyahara, Koji; Pazzani, Michael J. (2000) “Improvement of Collaborative Filtering with the Simple Bayesian Classifier”, California.

Zhang, Tong; Iyengar, Vijay S. (2002) “Recommender Systems Using Linear Classifiers”, U.S.A.

Xia, Zhonghang; Dong, Yulin; Xing, Guangming. (2006) “Support Vector Machines For Collaborative Filtering”, Florida.

Jadhav, Sayali D.; Channe, H. P. (2016) “Efficient Recommendation System Using Decision Tree Classifier and Collaborative Filtering, Maharashtra.

Puntheeranurak, Sutheera; Pitakpaisarnsin, Pongpan. (2013) “Time-aware Recommender System Using Naïve Bayes Classifier Weighting Technique”, Bangkok.