Use este identificador para citar ou linkar para este item: http://repositorio.ifg.edu.br:8080/handle/prefix/1869
Tipo: Trabalho de Conclusão de Curso
Título: Categorização e avaliação de algoritmos de sistemas de recomendação na base de dados IFG-Produz.
Título(s) alternativo(s): Categorization and Evaluation of Recommendation System Algorithms in the IFG-Produz Database.
Autor(es): Camargo, Adriano César de Melo
Primeiro Orientador: Sousa, Daniel Xavier de
metadata.dc.contributor.referee1: Sousa, Daniel Xavier de
metadata.dc.contributor.referee2: Canuto, Sérgio Daniel Carvalho
metadata.dc.contributor.referee3: Fortes, Reinaldo Silva
Resumo: Com a produção acadêmica científica em crescimento, encontrar publicações relevantes para pesquisadores se tornou uma tarefa desafiadora. Com técnicas de sistemas de recomendações de artigos científicos essa dificuldade é mitigada gerando recomendações específicas para os pesquisadores. Inclusive, como afirma a literatura, algoritmos de recomendação de artigos científicos tendem a ter resultados mais efetivos que a ação dos pesquisadores fazerem buscas em máquinas de busca. Isso ocorre, pois os algoritmos de recomendação conseguem usar dados diversos, como histórico do pesquisador, área de atuação, e artigos publicados, especificando assim os possíveis contextos na associação com outros artigos. Assim, o trabalho apresentado neste documento disponibiliza uma nova base de dados pública e anotada para sistema de recomendação de artigos científicos, com pesquisadores de diversas áreas. Além da nova base de dados, apresentamos uma caracterização da mesma, comparando inclusive com outras bases de dados disponíveis na literatura. Dentre as análises feitas, incluímos a comparação de diversos algoritmos de sistema de recomendação com as bases estudadas. Segundo os resultados experimentais, a base de dados disponibilizada possui melhor efetividade ao aplicar estratégias com filtragem baseada em conteúdo, principalmente devido à riqueza em que os atributos descrevem os artigos e projetos. Os experimentos mostram que bases de dados com menor esparsidade tendem a ter melhor resultado aplicando estratégias com filtragem colaborativa. De forma geral, entendemos que esse trabalho contribui para a área de recomendação de artigos científicos fornecendo uma nova base de dados para futuros trabalhos da comunidade científica, ao mesmo tempo que apresenta um comparativo de técnicas no estado da arte de sistemas de recomendação.
Abstract: With the growth of scientific academic productions over the years, finding relevant publications has become a difficult task. Considering scientific article recommendation systems, this difficulty is mitigated by recommending specific research items. Following the claims in the literature, algorithms for recommending scientific articles tend to have more effective results than researchers searching search engines. Due to the recommendation algorithms can use different data, such as the researcher’s background, area of expertise, and published articles, thus specifying the possible contexts in association with other articles. Thus, the work presented in this document provides a new public and annotated database for the recommendation system of scientific articles, with research in several areas. Besides the new database, we present a characterization of it, comparing it with other databases available in the literature. Among the analyses, we included the comparison of several recommendation system algorithms. According to the experimental results, the available database has better effectiveness when applying content-based filtering strategies, mainly due to the good textual description of articles and projects. The experiments show that databases with less sparsity tend to have better results when applying collaborative filtering strategies. In general, this work contributes to the area of recommendation of scientific articles by providing a new database for future works, while presenting a comparison of techniques in the state of the art of recommendation systems.
Palavras-chave: Sistema de recomendação
recuperação de informação
processamento de linguagem natural
aprendizado de máquinas
publicações científicas
Information Retrieval
Recommender System
Natural Language Processing
Machine Learning
Scientific Productions
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Editor: Insitituto Federal de Educação, Ciência e Tecnologia de Goiás
Sigla da Instituição: IFG
metadata.dc.publisher.department: Câmpus Anápolis
Citação: Camargo, Adriano Cesar de Melo. Categorização e Avaliação de Algoritmos de Sistemas de Recomendação na base de dados IFG-Produz. Trabalho de Conclusão de Curso ( Bacharelado em Ciência da Computação). Instituto Federal de Educação, Ciência e Tecnologia, Anápolis, 2022.
Tipo de Acesso: Acesso Aberto
URI: http://repositorio.ifg.edu.br:8080/handle/prefix/1869
Data do documento: 19-Dez-2022
Aparece nas coleções:Bacharelado em Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TCC_Adriano.pdfTCC_Adriano César de Melo Camargo2,2 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.