| Summary: | Submitted by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-11-21T10:47:45Z
No. of bitstreams: 1
DIS_RALPH_JOSE_RASSWEILER_FILHO_COMPLETO.pdf: 8289974 bytes, checksum: 5b62b872ae037f0894ab766c0251a4ef (MD5) === Approved for entry into archive by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-11-21T10:48:02Z (GMT) No. of bitstreams: 1
DIS_RALPH_JOSE_RASSWEILER_FILHO_COMPLETO.pdf: 8289974 bytes, checksum: 5b62b872ae037f0894ab766c0251a4ef (MD5) === Made available in DSpace on 2017-11-21T10:48:13Z (GMT). No. of bitstreams: 1
DIS_RALPH_JOSE_RASSWEILER_FILHO_COMPLETO.pdf: 8289974 bytes, checksum: 5b62b872ae037f0894ab766c0251a4ef (MD5)
Previous issue date: 2017-08-22 === Recommender systems are software used to generate personalized lists according to users
profiles. The area is new and is growing since the internet popularization having its roots in information
retrieval. Collaborative filtering is the most common approach of recommender systems used in
both academy and industry because content-based filtering has problems such as lack of semantic
information and poor content extraction techniques from items. Nowadays there are more content
available in the form of multimedia such as video, images and text. Also, there are advances in pattern
recognition though techniques like convolutional neural networks. In this work a convolutional
neural network is used to extract features from movie trailers frames to further use these features to
create a content-based recommender system with the goal of assessing whether the success of such
networks on tasks like image classification and object detection also occur in the recommendation
context. To evaluate that, the proposed method was compared with a media aesthetic detection
method, two methods of feature extraction from text using TF-IDF and the traditional user and
item collaborative filtering methods. Our results indicate that the proposed method is superior to
the other content-based methods and is competitive to the collaborative filtering methods, being
superior to the item-collaborative method regarding classification accuracy, and being superior to
all other methods regarding execution time. In conclusion, we can state that the method using
convolutional neural networks to represent items is promising for the recommender systems context. === Sistemas de recomenda??o s?o softwares cujo prop?sito ? gerar listas personalizadas, de
acordo com as prefer?ncias de usu?rios. A ?rea ? bastante recente e est? em expans?o desde a populariza??o
da internet tendo suas ra?zes em recupera??o de informa??o. Dos dois tipos tradicionais
de sistemas de recomenda??o, a filtragem colaborativa ? a mais utilizada na academia e na ind?stria
por trazer melhores resultados que o segundo tipo, a filtragem baseada em conte?do. Este ?ltimo
sofre de problemas tais como a falta de informa??o sem?ntica e a dificuldade em extrair conte?do
dos itens. Atualmente h? uma maior disponibilidade de conte?do de itens na forma de recursos multim?dia
tais como v?deos, imagens e texto. Tamb?m houve avan?os no reconhecimento de padr?es
em imagens atrav?s de t?cnicas como as redes neurais convolucionais. Neste trabalho, prop?e-se
utilizar uma rede neural convolucional como extratora de atributos dos quadros que comp?e trailers
de filmes que servem como base para um sistema de recomenda??o baseado em conte?do com o
objetivo de avaliar se o sucesso destas redes em tarefas como classifica??o de imagens e detec??o de
objetos tamb?m ocorre no contexto de recomenda??es. Para esta avalia??o, comparou-se o m?todo
proposto com um m?todo de detec??o de est?tica de m?dia, dois m?todos de extra??o de conte?do
de texto usando TF-IDF e os tradicionais m?todos colaborativos entre usu?rios e itens. Os resultados
obtidos mostram que o m?todo proposto neste trabalho ? superior aos demais m?todos baseados
em conte?do e ? competitivo com os m?todos colaborativos, superando o m?todo colaborativo entre
itens na m?trica que representa acur?cia de classifica??o e tamb?m, superando todos os outros
m?todos com rela??o ao tempo de execu??o. Concluiu-se que o m?todo que utiliza redes neurais
convolucionais para representar itens ? promissor para o contexto de sistemas de recomenda??o.
|
|---|
