Transformando o Problema de Filtragem Colaborativa em Aprendizado de Máquina Supervisionado

Filtragem colaborativa é uma abordagem conhecida em sistemas de recomendação,
que tem como o objetivo de prever as notas de usuários sobre itens utilizando avaliações de
outros. Devido à dificuldade de representar em um mesmo espaço de características usuários e
items, torna-se difícil construir um conjunto de treinamento a partir do qual possa se obter um
modelo de aprendizado supervisionado. Diversos métodos vêm sendo propostos na literatura
com objetivo de atacar esse problema, i.e., construir um espaço comum de características com
base nas informações do domínio, de modo a permitir a utilização dessas técnicas. Entretanto,
não existe um método que faça essa tarefa independentemente de domínio. Nesse contexto, o
objetivo deste trabalho consiste em propor uma metodologia para a transformação da tarefa de
filtragem colaborativa em aprendizado supervisionado de máquina. Esta proposta baseia-se na
construção de um espaço de características de forma a representar as avaliações de usuários
sobre itens a partir da extração das variáveis latentes dos dados originais. Esta proposta foi
avaliada sob um conjunto de dados reais, apresentando resultados superiores aos métodos
clássicos da literatura.