Inferência em linguagem natural de forma consistente e explicável
Implementação e avaliação de sistemas de recomendação baseados em técnicas de fato...
Representações semanticamente enriquecidas para mineração de textos em português: ...
Processo: | 18/04651-0 |
Modalidade de apoio: | Bolsas no Brasil - Mestrado |
Data de Início da vigência: | 01 de julho de 2018 |
Data de Término da vigência: | 02 de fevereiro de 2020 |
Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
Acordo de Cooperação: | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) |
Pesquisador responsável: | Solange Oliveira Rezende |
Beneficiário: | Vítor Rodrigues Tonon |
Instituição Sede: | Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil |
Assunto(s): | Inteligência artificial Sistemas de recomendação Contexto |
Palavra(s)-Chave do Pesquisador: | Contexto | Explicações | Fatoração de Matrizes | sistemas de recomendação | Inteligência Artificial |
Resumo Usuários enfrentam dificuldades em escolher produtos e serviços na Web devido a grande variedade de possibilidades de escolha. Nesse contexto, os sistemas de recomendação têm como objetivo auxiliar indivíduos a identificarem itens de interesse em um conjunto de opções. As abordagens tradicionais de sistemas de recomendação focam em recomendar itens mais relevantes para usuários individuais, não levando em consideração o contexto dos usuários. Porém, em muitas aplicações reais, é importante também considerar informações contextuais, por meio dos sistemas de recomendação sensíveis ao contexto, uma vez que estudos indicam que o uso de tais informações pode melhorar a acurácia das recomendações. Dentre os sistemas de recomendação tradicionais e sensíveis ao contexto, existem aqueles que utilizam técnicas de filtragem colaborativa baseadas em fatoração de matrizes. Essas técnicas se tornaram populares por combinarem boa escalabilidade com boa acurácia, além de oferecerem flexibilidade para modelar várias situações do mundo real. No entanto, essas técnicas são modelos de aprendizado de máquina que ainda não oferecem transparência ao processo de recomendação, dificultando que usuários confiem nas recomendações apresentadas. Nesse sentido, fornecer explicações para as recomendações geradas tende a aumentar a confiança e a satisfação do usuário em relação ao sistema. Diante desse cenário, este projeto tem como objetivo propor métodos que, utilizando informações contextuais, crie explicações para as recomendações geradas pelos sistemas de recomendação baseados em fatoração de matrizes. Espera-se que as explicações apresentadas pelos métodos propostos aumentem a satisfação do usuário em relação ao sistema. (AU) | |
Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
Mais itensMenos itens | |
TITULO | |
Matéria(s) publicada(s) em Outras Mídias ( ): | |
Mais itensMenos itens | |
VEICULO: TITULO (DATA) | |
VEICULO: TITULO (DATA) | |