Resumo: Filtragem Colaborativa (FC) é uma das técnicas mais utilizadas em Sistemas de Recomendação e pode ser considerada uma estratégia competitiva na geração de recomendações para usuários. Entretanto, alguns desafios limitam a eficiência de técnicas baseadas em Filtragem Colaborativa na medida em que o conjunto de dados aumenta, como a esparsidade dos dados e um aumento significativo na demanda por recursos computacionais. Para tratar estas questões, técnicas de mineração de dados têm sido aplicadas para encontrar partições mais informativas do conjunto de dados, capazes de reduzir efetivamente o custo computacional. Nesta tese, nós propomos um método de filtragem colaborativa baseado em \textit{autoencoders}, denominado ACF, do inglês \textit{Autoencoder-based Collaborative Filtering}. Com a ajuda do método \textit{BinaPs}, um \textit{autoencoder} eficiente para mineração de padrões, obtém-se uma partição informativa do conjunto de dados. Então, por meio de uma abordagem de K-vizinhos mais próximos baseada em itens (IBKNN - \textit{Item-Based K-Nearest Neighbors}), chega-se à predição das notas baseada na similaridade entre items pertencentes a uma mesma partição dos dados. Foram conduzidos experimentos comparativos entre o método proposto e outros métodos tradicionalmente utilizados em sistemas de recomendação em diferentes conjuntos de dados. Nosso método apresentou resultados comparáveis aos dos métodos SVD e SVD++ e superiores aos do método de referência IBKNN, em conjuntos de dados públicos para recomendações de filmes e piadas. Em um conjunto sintético projetado para exibir alguns comportamentos regulares, o método ACF obteve os melhores resultados. O potencial do método ACF foi também avaliado ao ser aplicado em recomendações na área da saúde em dois contextos diferentes: atividade física e diagnóstico de sarcopenia, nos quais o método proposto também superou os concorrentes. Os resultados corroboram a consistência, escalabilidade e robustez do método ACF em fornecer recomendações de alta qualidade em diferentes cenários Ver menos

Abstract: Collaborative Filtering (CF) is the most common approach for recommender systems and can be considered a competitive strategy to provide personalized recommendations to users. However, some challenges limit the effectiveness of Collaborative Filtering techniques as data volume escalates, such as data sparsity and a significant increase in demand for computational resources. To help alleviate these issues, data mining techniques have been applied to properly find more informative dataset partitions, which are capable of effectively reducing the computational burden. Here, we propose an \textit{Autoencoder-based Collaborative Filtering} (ACF) method. With the help of the \textit{BinaPs} algorithm, an efficient autoencoder technique for pattern set mining, we find an informative dataset partition. Then, we adopt an \textit{Item-Based K-Nearest Neighbors} (IBKNN) approach to predict ratings based on the similarity between items within each partition. We carried out comparative experiments involving our method and other traditional recommender systems on benchmark and synthetic datasets. Our method performed similarly to the SVD and SVD++ methods and outperformed the baseline IBKNN on public datasets for movie and joke recommendations. On a synthetic dataset designed to exhibit some regular behaviors, ACF performed the best. We also evaluated ACF's applicability for health recommendations in two different contexts: physical activity and sarcopenia diagnosis, in which ACF also had the best performance among the contenders. The results corroborate our method's consistency, scalability, and robustness in providing high-quality recommendations in different scenarios Ver menos