
Redes Neurais para Sistemas de Recomendação
uso de Redes Neurais Recorrentes para tratamento de Cold-Start ProblemBy Mario ToledoLength4h 23m
About this audiobook
Cold-Start Problem é um problema recorrente em Sistemas de Recomendação nas seguintes situações: quando um novo item é adicionado ao sistema e não possui nenhuma avaliação prévia; ou quando um usuário sem histórico de avaliação entra no sistema. Avaliando as diferentes situações em que o Cold-Start Problem se apresenta, é possível considerar o uso do histórico de navegação como alternativa para geração de recomendações. Levando em conta o formato sequencial dos dados, estudos sugerem o uso de Redes Neurais Recorrentes (RNN) por permitir maior entendimento da sequência de dados e seu contexto. Durante a revisão sistemática realizada neste trabalho, as arquiteturas de LSTM, GRU e híbridas aparecem com frequência entre as pesquisas relacionadas ao tema. Entretanto, os autores dos trabalhos revisados não comparam as arquiteturas entre si, o que é crucial para o entendimento das vantagens e desvantagens do uso de dados do histórico de navegação com RNN. Este estudo propõe a comparação das arquiteturas de LSTM, GRU e híbridas de RNN através da criação de protótipos utilizando a mesma base de entrada, avaliando suas performances através dos valores de Acurácia, Revocação, Precisão e F1-Score.
Audiobook details
GenreTechnology
Length4 hrs 23 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
Publish dateOct 28, 2022
LanguagePortuguese
Table of contents
11. INTRODUÇÃO
183.4 Preparação do Experimento
21.1 Motivação
194. PREPARAÇÃO DO EXPERIMENTO
31.2 Problema
204.1 Avaliação Geral dos Resultados
41.3 Objetivo
214.2 Avaliação dos Resultados a partir da função de ativação
51.4 Contribuição
224.3 Avaliação dos Resultados a partir do número de épocas
Show all chaptersShow less
61.5 Metodologia
234.4 Avaliação dos Resultados a partir do otimizador
72. REVISÃO BIBLIOGRÁFICA
244.5 Avaliação dos Resultados a partir do tamanho do batch
82.1 Sistemas de Recomendação
254.6 Comparação dos resultados com outros autores
92.2 Métricas de Sistemas de Recomendação
265. CONCLUSÃO: 5.1 Trabalhos Futuros
102.3 Limitações de métodos de Sistemas de Recomendação
27APÊNDICE A Protocolo de Pesquisa Para o Estado da Arte
112.4 Aprendizado de Máquina
28APÊNDICE B Execução do Protocolo de Pesquisa Para o Estado da Arte
122.5 Histórico de Navegação
29APÊNDICE C Código Para Análise dos Dados de Entrada
132.6 Estado da Arte
30APÊNDICE D Código Para Construção e Treinamento das Redes
143. DEFINIÇÃO DO EXPERIMENTO
31APÊNDICE E Configuração do Ambiente de Desenvolvimento
153.1 Análise dos dados de entrada
32APÊNDICE F Composição de Cenários Para o Experimento
163.2 Adaptação dos dados de entrada
33APÊNDICE G Resultado da Execução dos Protótipos
173.3 Preparação do Experimento