Aplicação de Rede Neural Sem Peso e Locality-Sensitive Hashing para o Problema de Cold-Start Item em Filtragem Colaborativa
Autores
|
6624 |
2976,312
|
|
|
6625 |
2976,312
|
Informações:
Publicações do PESC
Sistemas de recomendação são técnicas e ferramentas usadas para sugerir itens personalizados baseados no perfil do usuário. A filtragem colaborativa é uma das abordagens mais bem sucedidas em sistemas de recomendação. Essa abordagem visa a recomendar um item para um usuário baseado em itens previamente avaliados por outros usuários do sistema. Entretanto, é amplamente sabido que as abordagens dos métodos de filtragem colaborativa sofrem de problemas como, cold-start, escalabilidade e dispersão. O problema de cold-start é um dilema de longa data em sistemas de recomendação. Ocorre quando existem a indisponibilidade de informações adequadas sobre os itens ou usuários disponíveis no sistema, e desta forma não é possível fazer recomendações relevantes. Neste contexto, o trabalho apresenta uma abordagem híbrida para o problema de cold-start itens em filtragem colaborativa para sistemas de recomendação. Utilizamos a técnica de Locality-Sensitive Hashing (LSH) com o método MinMaxwise para processamento de textos com intuito de encontrar as similaridades entre os itens. O LSH foi incorporado nas abordagens tradicionais da literatura e demais métodos de aprendizagem de máquina, gerando bons resultados para esses métodos. A WiSARD obteve resultado melhores em relação ao tempo de treinamento e para bases com a presença de itens com completo cold-start.
Recommender systems are techniques and tools used to suggest customized items based on the user profile. Collaborative filtering is one of the most successful approaches in recommender systems. This approach aims to recommend an item to a user based on items previously evaluated by other system users. However, it is widely known that approaches to collaborative filtering methods su er from problems such as cold-start, scalability and scatter. The cold-start problem is a longstanding dilemma in recommendation systems. Occurs when there is unavailability of adequate information about the items or users available in the system and therefore it is not possible to make relevant recommendations. In this context, the paper presents a hybrid approach to the problem of cold-start items in collaborative filtering for recommender systems. We used the Locality-Sensitive Hashing (LSH) technique with the MinMaxwise method for word processing in order to find similarities among the items. LSH was incorporated into traditional literature approaches and other machine learning methods, generating good results for these methods. The WiSARD obtained better results regarding training time and for bases with the presence of items with complete cold-start.