Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Spinosa, Eduardo Jaques, 1974- | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática | - |
Autor(es): dc.creator | Silva, Anderson Bottega da | - |
Data de aceite: dc.date.accessioned | 2025-09-01T12:23:33Z | - |
Data de disponibilização: dc.date.available | 2025-09-01T12:23:33Z | - |
Data de envio: dc.date.issued | 2022-11-02 | - |
Data de envio: dc.date.issued | 2022-11-02 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/77815 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/77815 | - |
Descrição: dc.description | Orientador: Eduardo Jaques Spinosa | - |
Descrição: dc.description | Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa : Curitiba, 02/06/2022 | - |
Descrição: dc.description | Inclui referências: p. 59-61 | - |
Descrição: dc.description | Área de concentração: Ciência da Computação | - |
Descrição: dc.description | Resumo: Sistemas de recomendação auxiliam usuários, filtrando uma grande quantidade de conteúdos a que são expostos diariamente, com o objetivo de recomendar produtos em ecommerce, músicas, filmes, pessoas em redes sociais e outros de maneira personalizada, sendo assim, uma tarefa complexa. Atualmente os sistemas de recomendação sequencial tem sido cada vez mais utilizados nestas tarefas. Eles recebem como entrada uma sequência de cliques, ou seja, os itens acessados durante um determinado tempo e utilizam algoritmos de recomendação para sugerir o próximo item. Para sugerir itens, é necessário construir representações de itens, sendo eles responsáveis por identificá-los através de um vetor de números reais, chamado de embedding. Neste trabalho propomos alterar o módulo responsável por construir estas representações de itens, que emprega a técnica GGNN no Sistema de Recomendação Sequencial SR-GNN, pela técnica GraphSage, utilizando seus agregadores: Mean, Maxpolling e LSTM. Validamos nossa proposta com os datasets: yoochoose, diginetica, aotm e 30music. Os resultados indicam que o método Mean foi capaz de reduzir o tempo de execução em todos os cenários testados, mantendo a eficácia original. | - |
Descrição: dc.description | Abstract: Recommender systems help users by filtering a large amount of content to which they are exposed daily, in order to recommend products in e-commerce, music, movies, people on social networks and others in a personalized way, thus being a complex task. Currently, sequential recommender systems have been increasingly used in these tasks. They receive a sequence clicks as input, that is, items accessed during a given time, and use recommendation algorithms to suggest the next item. To suggest items, it is necessary to build representations of items, being responsible for identifying them through a vector of real numbers, called embedding. In this work we propose to change the module responsible for building these embeddings, which employs the GGNN technique in the SR-GNN Sequential Recommendation System, using the GraphSage technique, using its aggregators: Mean, Maxpolling and LSTM. We validated our proposal with the datasets: yoochoose, diginetica, aotm and 30music. The results indicate that the Mean method was able to reduce the execution time in all tested scenarios, maintaining the original effectiveness. | - |
Formato: dc.format | 1 recurso online : PDF. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Ciência da Computação | - |
Título: dc.title | Sistemas de recomendação sequencial baseados em abordagens de graph neural network | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: