EXAME DE QUALIFICAÇÃO DE DOUTORADO No 119 À DISTÂNCIA
A Coordenação do Programa de Pós-Graduação em Informática torna pública a realização da apresentação, do Exame de Qualificação de Doutorado do aluno Antonio David Viniski, no dia 09 de setembro de 2021, às 9h.
https://us06web.zoom.us/j/86861599629?pwd=NFlvZmwwRHdLOXFIR0ROblEzYVBRQT09
O Trabalho tem o seguinte título:“Optimization of Collaborative Recommendation Models via adaptations in latent vectors’ updates and initialization for cold start and concept drift problems.”
Resumo:
Os sistemas de recomendação sugerem itens com maior probabilidade de serem preferidos por um determinado usuário, com base em seu comportamento histórico, suas ações e feedback. Em aplicações do mundo real, os dados sobre usuários e itens são gerados continuamente de forma rápida, como e-commerce, mídia social, marketing digital e consumo de conteúdo em diferentes domínios. Portanto, esses cenários podem ser formulados como um problema de fluxo de dados. Além disso, os sistemas de recomendação devem lidar com alguns desafios em cenários de fluxo de dados, como desvios de conceito e inicialização a frio (cold-start), uma vez que os interesses dos usuários são dinâmicos e mudam com o tempo, e também é esperado o surgimento de novos usuários e itens a medida que os dados surgem. Diversas técnicas têm sido propostas na literatura para solucionar esses problemas de recomendação. No entanto, a maioria dessas técnicas requer informações adicionais sobre usuários e itens, como dados demográficos e de redes sociais. No entanto, informações adicionais geralmente não estão disponíveis na maioria dos cenários do mundo real, e o sistema deve usar os dados fornecidos para aliviar esses problemas. Nesse sentido, este projeto visa otimizar modelos de recomendação colaborativos via adaptações nas atualizações e inicializações de vetores latentes para problemas de cold-start e desvio de conceito. Propomos três variantes de dois otimizadores de taxa de aprendizagem adaptativa, Adam e RMSprop, para fornecer atualizações mais significativas nos modelos Incremental MF e Incremental BPRMF. Considerando o problema da cold-start, definimos seis estratégias de inicialização de fatores latentes e as comparamos com a inicialização aleatória normal. Como um subproduto desta pesquisa, um novo conjunto de dados de recomendação para filtragem colaborativa é apresentado, no qual foram testados modelos populares de recomendação em lote e streaming. Além disso, uma de nossas contribuições é a otimização da seleção apropriada de itens desconhecidos em modelos treinados com itens negativos. De acordo com os resultados obtidos, observamos que ambas as contribuições são relevantes para a comunidade de pesquisa e proporcionaram melhorias significativas no desempenho do modelo de recomendação. Os otimizadores adaptativos forneceram um aumento de até valores de até 22,5 percentage points nos valores de RECALL@10, enquanto as estratégias de inicialização forneceram resultados melhores do que a inicialização normal aleatória, aumentando os valores de RECALL@10 em até 19,6 percentage points. Observamos que os modelos incrementais são mais adequados em cenários com desvio de conceito e cold-start no conjunto de dados introduzido. Por fim, considerando a seleção de itens desconhecidos, também obtivemos melhores resultados com as estratégias de pré-processamento propostas, que aumentam os valores de RECALL@1 em até 24 percentage points. Como trabalhos futuros, planejamos analisar o tempo gasto no uso de nossos otimizadores propostos e fazer um estudo matemático por trás da atualização dos fatores latentes. Também planejamos investigar o comportamento dos otimizadores propostos e estratégias de inicialização em grandes conjuntos de dados do mundo real e implementar versões de streaming das estratégias de seleção de itens desconhecidos.
Banca será composta por:
Prof. Dr. Alceu de Souza Britto Jr. (orientador) - PUCPR
Prof. Dr. Jean Paul Barddal (coorientador) - PUCPR
Prof. Dr. Fabricio Enembreck - PUCPR
Prof. Dr. João Gama – Universidade do Porto
Prof. Dr. Luiz Eduardo S. de Oliveira - UFPR
Curitiba, 03 de setembro de 2021.