UM ESTUDO SOBRE A INTEGRAÇÃO DE ALGORITMOS DE FILTRAGEM COLABORATIVA E DETECÇÃO DE COMUNIDADES PARA MELHORIA DO DESEMPENHO DAS RECOMENDAÇÕES

Abstract

Item recommendation in recommender systems is a widely used technique to assist users in discovering relevant content. Traditionally, collaborative filtering-based recommendation algorithms have been the most commonly used in the field due to their sound performance compared to other approaches. These algorithms aim to identify global patterns of similarity between users or items to generate recommendations. In this thesis, we investigate how combining the tasks of recommendation and community detection can lead to better recommendations than those obtained without considering implicit communities. To achieve this, we experimentally evaluate various combinations of community detection methods and recommendation algorithms, subjecting these different arrangements to both synthetic and real-world datasets. The intrinsic goal of this effort was to unveil interesting patterns in the behavior of the resulting systems. The obtained results show that the inclusion of community detectors in the system can significantly improve both the effectiveness and efficiency of recommendation algorithms in some scenarios. These findings can be used to assist researchers and data science professionals in better understanding the benefits and limitations of this methodology. Lastly, the discoveries obtained here can be applied to a greater or lesser extent in various domains where personalized recommendations at the local level can be an effective approach to enhance the user experience, particularly in situations where there exists a large network structure and well-defined communities.

A recomendação de itens em sistemas de recomendação é uma técnica amplamente utilizada para auxiliar os usuários na descoberta de conteúdo relevante. Tradicionalmente, os algoritmos de recomendações baseados em filtragem colaborativa são os mais utilizados no campo devido ao seu bom desempenho frente às demais abordagens. Esses algoritmos buscam identificar padrões globais de similaridade entre usuários ou itens para gerar recomendações. Neste trabalho, investigamos como a combinação das tarefas de recomendação e detecção de comunidades pode levar a recomendações melhores do que aquelas obtidas sem considerar comunidades implícitas. Para isso, avaliamos experimentalmente várias combinações de métodos para detecção de comunidades e algoritmos de recomendação, os quais foram submetido à experimentos computacionais considerando tanto conjuntos de dados sintéticos quanto reais. O objetivo intrínseco deste esforço foi o de revelar padrões interessantes no comportamento dos sistemas resultantes. Os resultados obtidos mostram que a inclusão de detectores de comunidades no sistema pode melhorar significativamente tanto a eficácia quanto a eficiência dos algoritmos de recomendação em alguns cenários. Essas descobertas podem ser usadas para ajudar pesquisadores e profissionais de ciência de dados a compreender melhor os benefícios e limitações dessa metodologia. Por fim, as descobertas aqui obtidas podem ser aplicadas em menor ou maior grau em diversos domínios onde a personalização de recomendações em nível local pode ser uma abordagem eficaz para melhorar a experiência do usuário, sobretudo em situações onde exista uma grande estrutura de redes e comunidades bem definidas.