Defesas & Seminários

CONVITE PARA DEFESA DE DISSERTAÇÃO :ANNA CLAUDIA ALMEIDA

Ter, 25 de Julho de 2017 13:15

CONVITE PARA DEFESA DE DISSERTAÇÃO

A Coordenação do Programa de Pós-Graduação em Modelagem Matemática e Computacional tem o prazer de convidar a comunidade científica para a 241ª sessão pública de apresentação e defesa da dissertação de Mestrado:

CANDIDATA: ANNA CLAUDIA ALMEIDA

TÍTULO:

Um Arcabouço de Recomendação Multimodal de Imagens Baseado em Fatores Latentes de Baixa Dimensionalidade

BANCA EXAMINADORA

TITULARES:

 

Prof. Dr. Anisio Mendes Lacerda (Orientador)

CEFET-MG

Prof. Dr. Flávio Luis Cardeal Pádua (Coorientador)

CEFET-MG

Prof. Dr. Álvaro Rodrigues Pereira Júnior

UFOP

Prof. Dr. Thiago de Souza Rodrigues

CEFET-MG

LOCAL:

Auditório do Prédio 17 - sala 401, Campus II, CEFET-MG

Av. Amazonas, 7675 - Nova Gameleira

DIA:

4 de agosto de 2017 - Sexta-feira

HORA:

9h30min

RESUMO: A popularização de dispositivos fotográficos, como smartphones e câmeras digitais, tem levado as pessoas ao hábito de registrar momentos por meio de fotos. Assim, todos os dias, uma grande quantidade de imagens são disponibilizadas em redes sociais de compartilhamento de fotos, como Flickr, Pinterest e Instagram. Esta dissertação propõe um arcabouço de recomendação de imagens, que visa ajudar os usuários a lidar com a enorme quantidade de informação disponível, por meio de uma experiência personalizada. Sistemas de Recomendação são ferramentas computacionais que auxiliam usuários a encontrar informação relevante (por exemplo: imagens, músicas, filmes) de acordo com seus interesses. Tradicionalmente, esses sistemas utilizam informação colaborativa das preferências dos usuários para sugerir itens. Porém, nem sempre essa informação está disponível. Por exemplo, quando novos itens são inseridos no sistema não existe informação de preferência dos usuários sobre eles, fato que leva à necessidade de explorar o conteúdo desses itens. Neste trabalho, o foco é explorar informação de natureza multimodal para recomendação de imagens, sendo essas representadas por meio de características (i) visuais e (ii) textuais. As características visuais são extraídas da própria imagem (ex., cor e textura), utilizando técnicas de Visão Computacional e Processamento de Imagens. Por outro lado, as características textuais são extraídas de metadados das imagens (ex., do título e da descrição), utilizando técnicas de Recuperação de Informação. Dessa forma, é possível descrever uma imagem sob diferentes dimensões. Os sistemas de recomendação estado-da-arte são baseados em informação colaborativa e descrição dos itens. Esses sistemas sofrem do problema da "maldição da dimensionalidade". As características de alta dimensão dos itens dificulta a identificação de itens similares, dado que a distribuição dos dados originais é extremamente esparsa. A fim de aliviar esse problema, propõe-se projetar a  representação dos itens de alta dimensão em um espaço de fatores latentes de dimensão inferior. O arcabouço de recomendação proposto é baseado no algoritmo Sparse Linear Methods with Side Information (SSLIM) que, por sua vez, consiste na construção de matrizes de (i) relação entre usuários e itens e de (ii) relação entre itens. O trabalho proposto é avaliado em uma base de dados real coletada do Flickr ; e comparado com técnicas do estado-da-arte. Conforme demonstrado nos experimentos, o arcabouço proposto apresenta melhora na qualidade das recomendações e fornece ganhos de 15% a 17% em termos de taxa de acertos em relação aos métodos de referência.

Palavras-chave: Sistemas de Recomendação, Representação Multimodal de Imagens, Fatores Latentes, Redução de Dimensionalidade.

Belo Horizonte, 14 de julho de 2017.

Prof. Dr. José Geraldo Peixoto de Faria

Coordenador do Programa de Pós-Graduação em

Modelagem Matemática e Computacional

 

CONVITE PARA DEFESA DE DISSERTAÇÃO :OTAVIO AUGUSTO MALHEIROS RODRIGUES

Ter, 25 de Julho de 2017 13:14

CONVITE PARA DEFESA DE DISSERTAÇÃO

A Coordenação do Programa de Pós-Graduação em Modelagem Matemática e Computacional tem o prazer de convidar a comunidade científica para a 240ª sessão pública de apresentação e defesa da dissertação de Mestrado:

CANDIDATO: OTAVIO AUGUSTO MALHEIROS RODRIGUES

TÍTULO:

Aprendizado por Reforço Baseado em Agrupamentos para Recomendação na Ausência de Informação Prévia

BANCA EXAMINADORA

TITULARES:

 

Prof. Dr. Anisio Mendes Lacerda (Orientador)

CEFET-MG

Prof. Dr. Flávio Luis Cardeal Pádua (Coorientador)

CEFET-MG

Prof. Dr. Marcelo Peixoto Bax

UFMG

Prof. Dr. Adriano César Machado Pereira

UFMG

LOCAL:

Auditório do Prédio 17 - sala 401, Campus II, CEFET-MG

Av. Amazonas, 7675 - Nova Gameleira

DIA:

2 de agosto de 2017 - Quarta-feira

HORA:

9:30 horas

RESUMO: Atualmente, com o crescimento da Web, o volume de informação compartilhada tem crescido, ampliando cada vez mais a quantidade de conteúdo disponível para os usuários da rede. Assim, surge a necessidade de ferramentas capazes de identificar conteúdo relevante a partir do grande volume de informação disponível. Os sistemas de recomendação são ferramentas computacionais que possuem este objetivo, ou seja, esses sistemas focam em auxiliar os usuários a encontrar informação relacionada às suas preferências de forma personalizada. As técnicas estado-da-arte na literatura de sistemas de recomendação são baseadas no histórico de interação dos usuários com os itens disponíveis no sistema. Assim, estas técnicas são limitadas no cenário de ausência de informação prévia sobre as preferências dos itens. Este é um problema bem conhecido na literatura de sistemas de recomendação, chamado cold-start, e é o foco desta dissertação. Mais especificamente, aborda-se o problema de recomendar itens para usuários de forma contínua (i.e.,online) por meio de algoritmos baseados em aprendizado por reforço. A classe de algoritmos na qual baseia-se este trabalho é Multi-Armed Bandits (MAB) e refere-se a algoritmos de tomada de decisão sequencial com retro-alimentação. Neste trabalho, modelamos a recomendação no cenário cold-start como um algoritmo MAB de dois passos. Assumimos que os itens podem ser agrupados considerando sua descrição textual, o que leva a agrupamentos de itens semanticamente semelhantes. Primeiramente, seleciona-se o agrupamento de itens mais relevante para o usuário-alvo da recomendação. A seguir, dado o agrupamento previamente selecionado, escolhe-se o item mais relevante dentro desse agrupamento, o qual é sugerido para o usuário-alvo. Para avaliar a qualidade do algoritmo proposto, o seu desempenho foi mensurado utilizando um conjunto de dados real. A avaliação experimental mostra que o algoritmo proposto produz melhorias significativas em termos de qualidade de recomendação em relação aos algoritmos MAB estado-da-arte.

Belo Horizonte, 14 de julho de 2017.

Prof. Dr. José Geraldo Peixoto de Faria

Coordenador do Programa de Pós-Graduação em

Modelagem Matemática e Computacional

 

«InícioAnterior12345678910PróximoFim»
Editores