Sistema de recomendação de textos acadêmicos através de clusterização com k-Means iterativo

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorFilho, José Viterbo-
Autor(es): dc.contributorMiranda, Leandro Botelho Alves de-
Autor(es): dc.contributorBernardini, Flávia Cristina-
Autor(es): dc.contributorSampaio, Igor Garcia Balhausen-
Autor(es): dc.creatorSkinner, Rafael de Araujo-
Data de aceite: dc.date.accessioned2024-07-11T18:10:45Z-
Data de disponibilização: dc.date.available2024-07-11T18:10:45Z-
Data de envio: dc.date.issued2022-07-21-
Data de envio: dc.date.issued2022-07-21-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/25785-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/765187-
Descrição: dc.descriptionEste trabalho emprega uma técnica de aprendizado não supervisionada para a criação de clusters de artigos semelhantes da base de dados da Sociedade Brasileira de Computação (SBC), que utiliza o popular algoritmo k-Means. Mais, especificamente, é feito um processo iterativo na execução do k-Means, onde o número de clusters k é determinado de maneira incremental, começando com k assumindo o valor um e incrementando-o a cada iteração sem sucesso. Posteriormente, recomeçando o processo quando for encontrado algum cluster com tamanho dentro do limite especificado. Dessa forma, a escolha de k é substituída pela escolha do tamanho máximo dos clusters finais, obtendo-se clusters com tamanhos controlados, idealmente pouco discrepantes e, ainda, eliminando a difícil escolha do k. Tendo em vista que nem sempre é claro qual o melhor valor a ser definido e, usualmente, a escolha é feita baseada em conhecimento prévio do conjunto, de suposições ou de experiência prática, segundo Hamerly e Elkan (1)-
Descrição: dc.descriptionThis work employs an unsupervised learning technique for clustering similar articles from the Brazilian Computer Society database, using the popular k-Means algorithm. More specifically, an iterative process is performed in the execution of k-Means, where the number of clusters k is incrementally determined, starting with k assuming the value of one and incrementing it with each unsuccessful iteration and then, restarting the process when any cluster with a size up to the specified limit is found. Thus, the choice of k is replaced by the choice of the maximum size of the final clusters, resulting in clusters with controlled sizes, ideally little discrepant, and eliminating the difficult choice of k. Given that it is not always clear what is the best value to define and, usually, the choice is made based on prior knowledge of the set, assumptions or practical experience according to Hamerly and Elkan.-
Descrição: dc.description62 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectClusters-
Palavras-chave: dc.subjectClusterização-
Palavras-chave: dc.subjectTextos acadêmicos-
Palavras-chave: dc.subjectSistema de recomendação-
Palavras-chave: dc.subjectAnálise de agrupamento-
Palavras-chave: dc.subjectSistema de recomendação-
Palavras-chave: dc.subjectAlgoritmo computacional-
Palavras-chave: dc.subjectClusterization-
Palavras-chave: dc.subjectk-Means-
Palavras-chave: dc.subjectAcademic texts-
Palavras-chave: dc.subjectRecommender systems-
Título: dc.titleSistema de recomendação de textos acadêmicos através de clusterização com k-Means iterativo-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.