Distância de Barbieri: uma métrica para identificar similaridade entre perfis de consumidores
Mots-clés :
Sistema de recomendação, Filtragem baseada em conteúdo, Distância Levenshtein, SimilaridadeRésumé
O presente trabalho insere-se nos estudos de sistemas de recomendação com filtragem baseada em conteúdo, tendo como motivação para seu desenvolvimento a observação do comportamento de usuários em um sistema de gestão empresarial. A principal contribuição do trabalho é o desenvolvimento da Distância de Barbieri, uma métrica cujo propósito é medir a similaridade entre compradores com base em seu histórico de compras. A métrica foi desenvolvida para situações nas quais não existem dados de avaliação do comprador para o produto adquirido. Como não necessita de ratings para os itens, pois a similaridade acontece quando compradores adquirem muito ou pouco de um mesmo produto, é possível identificar a similaridade do perfil de consumidores com base em seu histórico de compras. Para realizar os experimentos de validação da métrica, utilizou-se um método de comparação entre perfis de compradores, que apresentou resultados satisfatórios no cálculo da similaridade.Téléchargements
Références
Aggarwal, C. C. (2016) “Recommender Systems: The Textbook” 1st edition Springer Publishing Company, Inc. doi: 10.1007/978-3-319-29659-3.
Barth, F. J. (2010) “Modelando o perfil do usuário para a construção de sistemas de recomendação: um estudo teórico e estado da arte”, Revista de Sistemas de Informação da FSMA, n.6, p. 59-71.
Bastos, W. M. (2009) “Metodologia para recomendação de consultores ad-hoc baseada na extração de perfis do currículo Lattes”, Universidade de Brasília, mês 7.
Cervi, C. R., Galante, R. and Oliveira, J. P. M. (2013) “Application of Scientific Metrics to Evaluate Academic Reputation in Different Research Areas”, In International Journal of Social, Behavioral, Educational, Economic, Business and Industrial Engineering, World Academy of Science, Engineering and Technology, v.7, n.10, p. 2778-2788, http://waset.org/publications/17174.
Cervi, C. R., Galante, R. and Oliveira, J. P. M. (2013) “Comparing the Reputation of Researchers Using a Profile Model and Scientific Metrics”, In: 2013 IEEE 16th International Conference on Computational Science and Engineering, p. 353-359, doi: 10.1109/CSE.2013.61.
Croft, W. B., Metzler, D. and Strohman, T. (2010) “Search engines: Information retrieval in practice”, Addison-Wesley Reading, v.283.
Goldberg, D. et al. (1992) “Using Collaborative Filtering to Weave an Information Tapestry”, Commun. ACM, New York, NY, USA, v.35, n.12, p. 61-70. doi: 10.1145/138859.138867.
Henriques, P. M. M. (2016) “Smart search in a distributed environment”, Faculdade De Engenharia Da Universidade Do Porto, https://repositorio-aberto.up.pt/handle/10216/85259.
Herlocker, J. L. (2000) “Understanding and Improving Automated Collaborative Filtering Systems”, University of Minnesota, Minneapolis, MN, USA.
Levenshtein, V. I. (1966) “Binary codes capable of correcting deletions, insertions, and reversals”, In: Soviet physics doklady, v.10, n.8, p. 707-710, https://nymity.ch/sybilhunting/pdf/Levenshtein1966a.pdf.
Maria, S. A. A. (2017) “RecETC : uma funcionalidade baseada na recomendação de conteúdo para auxiliar no processo de escrita coletiva digital”, Universidade Federal do Rio Grande do Sul, Porto Alegre, mês 5, http://hdl.handle.net/10183/170310.
Meurer, H. (2014) “Ferramenta de gerenciamento e recomendação como recurso na aprendizagem baseada em projeto em design”, Universidade Federal do Rio Grande do Sul, Porto Alegre, mês 12, http://hdl.handle.net/10183/115721.
Plumbaum, T. (2015) “User modeling in the social semantic web”, Technische Universität Berlin, Berlim, mês 12, http://dl.acm.org/citation.cfm?id=2887675.2887684.
Resnick, P. and Varian, H. R. (1997) “Recommender Systems”, Commun. ACM, New York, NY, USA v.40, n.3, p. 56-58, doi: 10.1145/245108.245121.
Ricci, F., Rokach, L. and Shapira, B. (2011) "Introduction to Recommender Systems Handbook”, In: Recommender Systems Handbook, Springer Publishing Company, Inc., Boston, MA, p. 1-35, doi: 10.1007/978-0-387-85820-3_1.
Rich, E. (1979) “Building and Exploiting User Models”, In: Proceedings of the 6th International Joint Conference on Artificial Intelligence – v.2, Tokyo, Japan, series: IJCAI'79, Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, p. 720-722, http://dl.acm.org/citation.cfm?id=1623050.1623079.
Santana, L. L. B. S. (2018) “Explorando relações entre usuários em um sistema de recomendação híbrido baseado em filmes”, Universidade Federal da Bahia, Salvador, mês 10.
Vieira, P. K. M. (2013) “Recomendação semântica de conteúdo em ambientes de convergência digital”, Universidade Federal da Paraíba, João Pessoa, mês 3, https://repositorio.ufpb.br/jspui/handle/tede/7826.
Vivian, G. R. (2017) “Recomendação de carreira de pesquisadores: uma abordagem baseada em personalização, similaridade de perfil e reputação”, Universidade de Passo Fundo, Passo Fundo, http://tede.upf.br:8080/jspui/handle/tede/1425.
Yao, L., Xu, Z., Zhou, X. and Lev, B. (2019) “Synergies Between Association Rules and Collaborative Filtering in Recommender System: An Application to Auto Industry.” In: García Márquez F., Lev B. (eds) Data Science and Digital Business. Springer, Cham.
