Banca de DEFESA: GABRIELA OLIVEIRA MOTA DA SILVA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : GABRIELA OLIVEIRA MOTA DA SILVA
DATA : 26/06/2023
HORA: 09:00
LOCAL: https://meet.google.com/hyn-hbkj-ans
TÍTULO:

Explorando estratégias de personalização de similaridade baseadas em Lod para sistemas de recomendação

PALAVRAS-CHAVES:

Sistemas de Recomendação, Linked Open Data, Similaridade Semântica, Personalização, Seleção de recursos

PÁGINAS: 114
RESUMO:

Linked Open Data (LOD) é uma nuvem de conjuntos de dados livremente acessíveis e interconectados abranger dados legíveis por máquina. Esses dados estão disponíveis em Web Semântica aberta padrões, como Resource Description Framework (RDF) e protocolo SPARQL e Linguagem de Consulta RDF (SPARQL). Um exemplo notável de um conjunto de LOD é o DBpedia, um esforço comunitário de crowdsourcing para extrair informações estruturadas da Wikipedia e tornar esta informação disponível abertamente na Web. O conteúdo semântico de LOD e os recursos avançados do SPARQL abriram oportunidades sem precedentes para habilitar aplicações semânticas. Sistemas de recomendação baseados em LOD Sistemas de recomendação geralmente aproveitam os dados disponíveis nos conjuntos de dados LOD, como DBpedia, para recomendar itens como filmes, lugares, livros e música para usuários finais. Esses sistemas usam uma semântica algoritmo de similaridade que calcula o grau de correspondência entre pares de recursos contando o número de links diretos e indiretos entre eles, o comprimento do caminho entre eles, ou a hierarquia de classes. Por outro lado, calcular a similaridade em Gráficos RDF podem ser difíceis porque cada recurso pode ter centenas de links para outros nós. Nem todos eles são semanticamente relevantes ou podem ser aplicados a todos os recursos em o gráfico. Isso pode levar ao conhecido problema de esparsidade da matriz. No entanto, alguns esforço foi feito para selecionar subconjuntos de recursos, ou seja, links, que são mais úteis para calcular a similaridade entre os itens de um conjunto de dados do gráfico, reduzindo a dimensão da matriz. Apesar de vários estudos nesta área, ainda faltam soluções aplicadas à personalização de tarefas de seleção de recursos. Neste contexto, propomos estratégias personalizadas para melhorar a precisão da similaridade semântica em sistemas de recomendação baseados em LOD, incluindo i) aplicar uma abordagem de seleção de recursos para filtrar os melhores recursos para um determinado usuário; ii) personalizar o grafo RDF adicionando pesos às arestas, de acordo com o desejo do usuário preferências anteriores; e iii) explorar a semelhança de propriedades literais, bem como a links do modelo de usuário. Os experimentos de avaliação usaram dados combinados da DBpedia e conjuntos de dados MovieLens e DBpedia e LastFM. Os resultados indicam significativa aumentos nas principais tarefas de recomendação em Precision@K (K=5, 10), Map e NDCG sobre métodos de semelhanças de linha de base não personalizados, como distância semântica de dados vinculados (LDSD) e Similaridade de Recursos (ReSim). Os resultados mostram que o LOD baseado estratégias de personalização do modelo do usuário e seleção de recursos exploradas neste trabalho são eficiente para melhorar sistemas de recomendação baseados em conteúdo em diversos contextos.

MEMBROS DA BANCA:
Presidente - 2011187 - FREDERICO ARAUJO DURAO
Interna - 1678446 - LAIS DO NASCIMENTO SALVADOR
Interna - 1232218 - DANIELA BARREIRO CLARO
Externa à Instituição - NATASHA CORREIA QUEIROZ LINO - UFPB
Externo à Instituição - ROSALVO FERREIRA DE OLIVEIRA NETOROSALVO NETO - UNIVASF