
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.creator | Oliveira, Samuel E. L. | - |
| Autor(es): dc.creator | Diniz, Victor | - |
| Autor(es): dc.creator | Lacerda, Anisio | - |
| Autor(es): dc.creator | Merschmanm, Luiz | - |
| Autor(es): dc.creator | Pappa, Gisele L. | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:44:23Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:44:23Z | - |
| Data de envio: dc.date.issued | 2020-09-04 | - |
| Data de envio: dc.date.issued | 2020-09-04 | - |
| Data de envio: dc.date.issued | 2019 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/42899 | - |
| Fonte completa do material: dc.identifier | https://dl.acm.org/doi/abs/10.1145/3365375 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1146394 | - |
| Descrição: dc.description | Recommender Systems are tools designed to help users find relevant information from the myriad of content available online. They work by actively suggesting items that are relevant to users according to their historical preferences or observed actions. Among recommender systems, top-N recommenders work by suggesting a ranking of N items that can be of interest to a user. Although a significant number of top-N recommenders have been proposed in the literature, they often disagree in their returned rankings, offering an opportunity for improving the final recommendation ranking by aggregating the outputs of different algorithms. Rank aggregation was successfully used in a significant number of areas, but only a few rank aggregation methods have been proposed in the recommender systems literature. Furthermore, there is a lack of studies regarding rankings’ characteristics and their possible impacts on the improvements achieved through rank aggregation. This work presents an extensive two-phase experimental analysis of rank aggregation in recommender systems. In the first phase, we investigate the characteristics of rankings recommended by 15 different top-N recommender algorithms regarding agreement and diversity. In the second phase, we look at the results of 19 rank aggregation methods and identify different scenarios where they perform best or worst according to the input rankings’ characteristics. Our results show that supervised rank aggregation methods provide improvements in the results of the recommended rankings in six out of seven datasets. These methods provide robustness even in the presence of a big set of weak recommendation rankings. However, in cases where there was a set of non-diverse high-quality input rankings, supervised and unsupervised algorithms produced similar results. In these cases, we can avoid the cost of the former in favor of the latter. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | ACM Journals | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | ACM Transactions on Intelligent Systems and Technology | - |
| Palavras-chave: dc.subject | Recommendation systems | - |
| Palavras-chave: dc.subject | Rank aggregation | - |
| Palavras-chave: dc.subject | Sistemas de recomendação | - |
| Palavras-chave: dc.subject | Agregação de classificação | - |
| Título: dc.title | Is rank aggregation effective in recommender systems? An experimental analysis | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: