Recomendação de pontos de interesse baseada em contexto, geolocalização e feedback implícito

Abstract

Atualmente, a quantidade de informação existente dificulta o processo de seleção de informação relevante para o utilizador, devido à falta de conhecimento ou tempo por parte do mesmo. Deste modo foram desenvolvidos sistemas de recomendação com o intuito de auxiliar o utilizador na descoberta de informação útil. Existem diversas técnicas de recomendação que podem ser aplicadas dependendo do domínio em que o sistema se encontra inserido, dos objetivos do utilizador e da opinião fornecida por este. Os sistemas de recomendação tradicionais apenas consideram as entidades utilizador e item, ignorando a informação contextual, sendo que esta desempenha um importante papel na tomada de decisão dos utilizadores. Nesta dissertação são desenvolvidos dois métodos de recomendação orientados ao contexto, sendo um primeiro baseado na frequência contextual e o segundo na personalização. Para isto foram analisadas as técnicas de recomendação existentes, formas de inclusão do contexto no processo de recomendação e métodos de avaliação destes sistemas. Estes dois métodos foram instanciados e avaliados recorrendo à análise de um conjunto de dados referentes a visitas efetuadas por utilizadores a pontos de interesse na cidade de Nova Iorque (recolhidos no foursquare). Os dois métodos de recomendação relacionam a situação contextual no momento da recomendação com a frequência de visitas efetuadas aos pontos de interesse. No primeiro método são consideradas as visitas efetuadas por todos os utilizadores, já no segundo método apenas são consideradas as visitas efetuadas pelo utilizador que requer a recomendação. Para avaliação dos métodos propostos, foi usada a métrica de hit-rate e a métrica baseada no fator de decréscimo. Para além disto é efetuada uma comparação entre métodos utilizados e o método de dominância contextual desenvolvido em trabalhos anteriores. O método de dominância contextual supera a frequência contextual no caso em que a situação contextual é constituída por todas as dimensões, apresentando um erro menor e uma maior cobertura. O método baseado na frequência contextual supera o método baseado na personalização em termos de cobertura, contudo o erro é maior. Verifica-se também, que quanto maior for o nível de generalização dos pontos de interesse usado nos métodos de recomendação, maior é o erro e a cobertura. Os resultados obtidos através desta avaliação permitem obter a influência de cada dimensão contextual e o impacto do uso dos níveis hierárquicos nos métodos de recomendação

Nowadays, the large amount of existing data makes the selection of relevant information difficult for the users. This way, recommendation systems were developed to assist users in finding useful information. There are several recommendation techniques that can be applied depending on the application domains, user’s goals and preferences. Traditional recommendation systems only consider the data about users and items, ignoring context information that also plays a relevant role in decision making. In this work two contextoriented methods of recommendation are developed, one based on contextual frequency and a second one based on personalization. Existing recommendation techniques were analyzed, as well as how to consider context in the recommendation process and methods of evaluation of these systems. The two methods were instantiated and evaluated using datasets about visits of users to points of interest in New York City collected on foursquare. These methods rely on the relationship between the contextual status at the time of the recommendation and the frequency of visits made to the points of interest in similar contextual conditions. The first method considers the visits made by all users, and in the second one only uses the visits made by the user that requires the recommendation. The proposed methods are evaluated using a hit-rate metric and a metric based on a decreasing factor. The performance of these methods is compared with the performance of a method based on contextual dominance proposed in previous work. The performance of the method based on contextual dominance is better than the performance of the method based on contextual frequency when all dimensions defining the contextual status are used, presenting a smaller error and a greater coverage. The method based on the contextual frequency exceeds the performance method based on personalization in terms of coverage, but the error is greater. The results show that errors and coverage increase with the level of generalization of the points of interest used in the recommendation methods. The results obtained through this evaluation allow us to infer about the influence of each contextual dimension and the impact of the use of the hierarchical levels in the recommendation methods.