Titulo Estágio
Sistema de recomendação baseado no contexto e nas intenções do utilizador
Área Tecnológica
Inteligência Artificial
Local do Estágio
DEI-FCTUC
Enquadramento
Com o avanço tecnológico registado nas últimas décadas, especialmente em sistemas de informação e infra-estruturas da Internet, temos vindo a experienciar um crescimento exponencial da informação disponível. Sem qualquer mecanismo de filtragem, o utilizador é responsável pela dolorosa tarefa de procurar a informação que pretende.
A fim de lidar com esta superabundância de informações, os Sistemas de Recomendação (SR) [1] são uma técnica promissora para ser usada, por exemplo em sistemas baseados em localização [2]. Na realidade, nestes últimos anos temos assistido a vários esforços no desenvolvimento de SR que executam essa tarefa de forma autónoma. No entanto, as abordagens existentes na maioria dos SR focam-se numa de duas técnicas: encontrar uma correspondência entre a descrição de um item e as preferências do utilizador [3], ou encontrar utilizadores com gostos semelhantes [4,5]. Por outras palavras, os SR tradicionais consideraram apenas dois tipos de entidades: o utilizador e os itens, sem os colocar num contexto no momento de recomendar informação ao utilizador.
A maioria das abordagens que vemos implementadas são geralmente baseadas no perfil do utilizador, ou na classificação que um utilizador dá a um conteúdo em particular (e.g., feedback de um produto comprado na Amazon).
No entanto, a informação mais relevante para o utilizador pode não apenas depender de suas preferências, mas também do contexto onde se encontra inserido. Para além disso, o mesmo conteúdo (e.g., bar) pode ser relevante para um utilizador num contexto em particular (sexta à noite), e completamente irrelevante num outro contexto (segunda de manhã) [6].
Por esta razão, acreditamos que é importante ter em consideração, não só a intenção do utilizador, como também é fundamental ter em conta o contexto durante o processo de recomendação.
Mais especificamente, num ambiente baseado na localização, o contexto torna-se ainda mais importante porque há novas variáveis que devem ser consideradas (a localização do utilizador, hora do dia, temperatura, tempo ou dia da semana são exemplos do que temos à nossa disposição para definir o contexto do utilizador) [7].
Objetivo
Esta dissertação tem como objetivo criar um sistema de recomendação de pontos de interesse baseado no contexto e intenção do utilizador, destacando-se quatro pontos necessários para o desenvolvimento do sistema:
1) Extrair pontos de interesse de várias fontes de informação (e.g., Foursquare, páginas amarelas, etc.)
2) Criar uma estrutura capaz de agregar os vários pontos de interesse extraídos.
3) Treinar o sistema para as necessidades individuais dos seus utilizadores.
4) Apresentar ao utilizador somente os pontos de interesse relevantes, com base nas suas preferências e contexto.
O trabalho desenvolvido terá a possibilidade de ser integrado e testado num projeto real, de modo a avaliar o sistema desenvolvido.
Plano de Trabalhos - Semestre 1
Fase 1 – Revisão bibliográfica
Fase 2 – Revisão das ferramentas existentes
Fase 3 – Análise e especificações
Fase 4 – Elaboração da proposta de dissertação
Plano de Trabalhos - Semestre 2
Fase 5 – Desenvolvimento de um protótipo
Fase 6 – Testes e experimentação
Fase 7 – Escrita do relatório final
Condições
O local de trabalho será o laboratório de investigação do grupo CMS do CISUC, sala C.6.1, com recurso a meios computacionais adequados.
Durante todo o ano letivo haverá um acompanhamento permanente por parte dos orientadores, de modo a ajudar e orientar o aluno em todas as decisão.
De referir que o trabalho não será remunerado.
Observações
Referências
[1] Jannach, D. and Zanker, M. and Felfernig, A. and Friedrich, G. Recommender Systems: An Introduction, Cambridge University Press, 2011
[2] F. Ricci. Mobile Recommender Systems. International Journal of Information Technology and Tourism, 12(3):205–231, 2011
[3] W. van Meteren and M. van Someren. Using Content-Based Filtering for Recommendation. In Proc. ECML/MLNET Workshop on Machine Learning and the New Information Age, pages 47–56, Barcelona, Spain, 2000.
[4] R. J. Mooney and L. Roy. Content-based book recommending using learning for text categorization. In Proc. 5th ACM Conf. on Digital Libraries, pages 195–204, San Antonio, US, 2000. ACM.
[5] R. Mukherjee, G. Jonsdottir, S. Sen, and P. Sarathi. MOVIES2GO: an online voting based movie recommender system. In Proc. 5th International Conf. on Autonomous Agents, pages 114–115, New York, NY, USA, 2001. ACM.
[6] W. Woerndl and J. Schlichter. Introducing context into recommender systems. In Proc. AAAI 2007 Workshop on Recommender Systems in e-Commerce, pages 22–23, Vancouver, Canada, 2007.
[7] P. J. Brown, J. D. Bovey, and X. Chen. Context-aware Applications: from the Laboratory to the Marketplace. Ieee Personal Communications, 4(5):58–64, 1997.
Orientador
Luis Macedo (co-orientador Hernani Costa)
macedo@dei.uc.pt 📩