Export this record: EndNote BibTex

Please use this identifier to cite or link to this item: http://tede2.pucrs.br/tede2/handle/tede/7740
Full metadata record
DC FieldValueLanguage
dc.creatorRassweiler Filho, Ralph José-
dc.creator.Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4414127Y3por
dc.contributor.advisor1Barros, Rodrigo Coelho-
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4526709Y3por
dc.date.accessioned2017-11-21T10:48:13Z-
dc.date.issued2017-08-22-
dc.identifier.urihttp://tede2.pucrs.br/tede2/handle/tede/7740-
dc.description.resumoSistemas de recomendação são softwares cujo propósito é gerar listas personalizadas, de acordo com as preferências de usuários. A área é bastante recente e está em expansão desde a popularização da internet tendo suas raízes em recuperação de informação. Dos dois tipos tradicionais de sistemas de recomendação, a filtragem colaborativa é a mais utilizada na academia e na indústria por trazer melhores resultados que o segundo tipo, a filtragem baseada em conteúdo. Este último sofre de problemas tais como a falta de informação semântica e a dificuldade em extrair conteúdo dos itens. Atualmente há uma maior disponibilidade de conteúdo de itens na forma de recursos multimídia tais como vídeos, imagens e texto. Também houve avanços no reconhecimento de padrões em imagens através de técnicas como as redes neurais convolucionais. Neste trabalho, propõe-se utilizar uma rede neural convolucional como extratora de atributos dos quadros que compõe trailers de filmes que servem como base para um sistema de recomendação baseado em conteúdo com o objetivo de avaliar se o sucesso destas redes em tarefas como classificação de imagens e detecção de objetos também ocorre no contexto de recomendações. Para esta avaliação, comparou-se o método proposto com um método de detecção de estética de mídia, dois métodos de extração de conteúdo de texto usando TF-IDF e os tradicionais métodos colaborativos entre usuários e itens. Os resultados obtidos mostram que o método proposto neste trabalho é superior aos demais métodos baseados em conteúdo e é competitivo com os métodos colaborativos, superando o método colaborativo entre itens na métrica que representa acurácia de classificação e também, superando todos os outros métodos com relação ao tempo de execução. Concluiu-se que o método que utiliza redes neurais convolucionais para representar itens é promissor para o contexto de sistemas de recomendação.por
dc.description.abstractRecommender 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.eng
dc.description.provenanceSubmitted 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)eng
dc.description.provenanceApproved 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)eng
dc.description.provenanceMade 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: 2017-08-22eng
dc.formatapplication/pdf*
dc.thumbnail.urlhttp://tede2.pucrs.br:80/tede2/retrieve/170332/DIS_RALPH_JOSE_RASSWEILER_FILHO_COMPLETO.pdf.jpg*
dc.languageporpor
dc.publisherPontifícia Universidade Católica do Rio Grande do Sulpor
dc.publisher.departmentFaculdade de Informáticapor
dc.publisher.countryBrasilpor
dc.publisher.initialsPUCRSpor
dc.publisher.programPrograma de Pós-Graduação em Ciência da Computaçãopor
dc.rightsAcesso Abertopor
dc.subjectSistemas de Recomendaçãopor
dc.subjectRedes Neurais Convolucionaispor
dc.subjectReconhecimento de Padrõespor
dc.subjectFiltragem Baseada em Conteúdopor
dc.subject.cnpqCIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAOpor
dc.titleAprendizado neural de representação de conteúdo para sistema de recomendação de filmespor
dc.typeDissertaçãopor
dc.restricao.situacaoTrabalho não apresenta restrição para publicaçãopor
Appears in Collections:Programa de Pós-Graduação em Ciência da Computação

Files in This Item:
File Description SizeFormat 
DIS_RALPH_JOSE_RASSWEILER_FILHO_COMPLETO.pdfRALPH_JOSE_RASSWEILER_FILHO_DIS8.1 MBAdobe PDFThumbnail

Download/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.