Enhancing the Predictions accuracy of POI video recommender systems

A cada dia aumenta o número de vídeos disponíveis no mundo. Por exemplo, há uma vasta quantidade de sites de vídeos disponíveis na Web e serviços de Vídeo Sob Demanda além de dispositivos que fazem a gravação de vídeos automaticamente, conhecidos como Personal Video Recorders, 24 horas por dia. Isso pode ocasionar um problema ao usuário: a sobrecarga de conteúdo em formato de vídeo. Uma das maneiras de se tratar tal problema consiste no uso de sistemas de recomendação, os quais filtram o conteúdo com o objetivo de entregar o que for mais interessante ao usuário. A abordagem típica utilizada pelos sistemas atuais consiste em um sistema de recomendação híbrido, i.e., que utiliza tanto filtragem baseada em conteúdo quanto filtragem colaborativa, minimizando os problemas que tais abordagens possuem individualmente. Adicionalmente, com o objetivo de melhorar a recomendação ou de criar novas formas de recomendação, têm sido apresentadas novas abordagens, tais como sistemas de recomendação utilizando dados de redes sociais, computação afetiva, tags, entre outros. Este trabalho tem como objetivo apresentar uma abordagem inovadora, a qual utiliza pontos de interesse em vídeo de usuários (ou seja, os segmentos dos vídeos que eles mais gostam ou que mais se interessam) para melhorar a acurácia de predição de sistemas de recomendação de vídeo que utilizam filtragem colaborativa baseados na abordagem usuário-usuário. Na abordagem proposta, os usuários participam de forma mais ativa e mais interativa ao marcarem seus pontos de interesse. Para avaliação de tal abordagem proposta foi realizada uma avaliação experimental em termos de acurácia de predição de avaliação; pela qual constatou-se que houve melhora na predição de avaliação do sistema de recomendação. Tal melhora está diretamente relacionada com o nível de participação das pessoas na marcação de pontos de interesse.Every day the number of videos available in the world increases. For example, there is a vast amount of video sites available on the Web, Video On Demand services, as well as devices that records videos automatically, known as Personal Video Recorders, 24 hours a day. It may create a problem for the user: the overload of content in video format. One of the ways to treat such problem is the use of recommender systems, which filter the content in order to deliver what is most interesting to the user. The typical approach is to present a hybrid recommender system, i.e., that uses both contentbased filtering and collaborative filtering, minimizing the problems that these approaches have individually. Additionally, in order to improve the recommendation or to create new approaches of recommendation, has been given new approaches such as systems using data from social networks, affective computing, tags, etc. This paper aims to present an innovative approach, which uses points of interest (POI) in video of users (i.e., video segments best liked or most interested by them) to augment the prediction accuracy of video recommender systems with collaborative filtering based in the useruser approach. In the proposed approach, users participate more actively and more interactively to mark their points of interest. To evaluate this proposed approach an experimental evaluation was performed in terms of accuracy of ratings predictions; in which it was verified that there was an improvement in ratings prediction accuracy of the recommendation system. This improvement is directly related to the level of participation of people in marking points of interest