Similarity-enhanced collaborative filtering

Fatoração de Matrizes (FM) e modelos de vizinhança são as duas abordagens mais difundidas para Sistemas de Recomendação no contexto de Filtragem Colaborativa. Recentemente, modelos de recomendação baseados em grafo surgiram como uma alter- nativa àquelas abordagens Apesar de pouca atenção ter sido dedicada a esses modelos. Neste trabalho, exploramos dados colaborativos com o objetivo de prover recomen- dações mais precisas no contexto de FM e recomendação baseada em grafos. Para esse fim, propomos abordagens baseadas em grafo e três funções de pontuação baseada no paradigma Bayesiano, e um novo modelo Bayesiano para FM. Nossa abordagem baseada em grafos, explora caminhos de comprimento três a partir do usuário alvo no grafo de relacionamentos entre usuários e itens, equanto as funções de pontuação, por sua vez, exploram aspectos distribucionais das notas dadas pelos usuários a fim de extrair informações latentes. Nossa abordagem baseada em FM, por sua vez, explora similaridades tanto entre usuários quanto entre itens, de modo que as similaridades são computadas a partir da matriz de interaccão entre usuários e itens. Avaliamos o desempenho dos nossos métodos em várias coleções de teste disponíveis publicamente e comparamos com outras abordagens da literatura sob um conjunto de métricas. Os resultados mostram que os nossos métodos superam aqueles comparados em vários cenários.Matrix factorization (MF) and neighborhood models are the two most successful approaches in the context of Collaborative Filtering (CF). Recently, graph-based models have emerged as an effective alternative despite little attention has been devoted to them. In this dissertation, we exploit collaborative data to improve MF and graph-based recommendation. We propose a graph-based approach that exploits three-step paths starting from the target user in the user-item bipartite graph and relies on the scoring functions, which exploit distributional aspects of the ratings given by users in order to extract their latent information. Likewise, we propose a MF approach that exploits both user-user and item-item similarities extracted from the raw user-item rating matrix. We experiment with several publicly available datasets against relevant baselines. The results attest the value of our methods as they provide significant gains in several settings