Utilize este identificador para referenciar este registo: http://hdl.handle.net/10400.22/4655
Título: Recomendação de conteúdos multimédia
Autor: Leal, Fátima Manuela da Silva
Orientador: Malheiro, Benedita
Data de Defesa: 2013
Editora: Instituto Politécnico do Porto. Instituto Superior de Engenharia do Porto.
Resumo: A quantidade e variedade de conteúdos multimédia actualmente disponíveis cons- tituem um desafio para os utilizadores dado que o espaço de procura e escolha de fontes e conteúdos excede o tempo e a capacidade de processamento dos utilizado- res. Este problema da selecção, em função do perfil do utilizador, de informação em grandes conjuntos heterogéneos de dados é complexo e requer ferramentas específicas. Os Sistemas de Recomendação surgem neste contexto e são capazes de sugerir ao utilizador itens que se coadunam com os seus gostos, interesses ou necessidades, i.e., o seu perfil, recorrendo a metodologias de inteligência artificial. O principal objectivo desta tese é demonstrar que é possível recomendar em tempo útil conteúdos multimédia a partir do perfil pessoal e social do utilizador, recorrendo exclusivamente a fontes públicas e heterogéneas de dados. Neste sen- tido, concebeu-se e desenvolveu-se um Sistema de Recomendação de conteúdos multimédia baseado no conteúdo, i.e., nas características dos itens, no historial e preferências pessoais e nas interacções sociais do utilizador. Os conteúdos mul- timédia recomendados, i.e., os itens sugeridos ao utilizador, são provenientes da estação televisiva britânica, British Broadcasting Corporation (BBC), e estão classificados de acordo com as categorias dos programas da BBC. O perfil do utilizador é construído levando em conta o historial, o contexto, as preferências pessoais e as actividades sociais. O YouTube é a fonte do histo- rial pessoal utilizada, permitindo simular a principal fonte deste tipo de dados - a Set-Top Box (STB). O historial do utilizador é constituído pelo conjunto de vídeos YouTube e programas da BBC vistos pelo utilizador. O conteúdo dos vídeos do YouTube está classificado segundo as categorias de vídeo do próprio YouTube, sendo efectuado o mapeamento para as categorias dos programas da BBC. A informação social, que é proveniente das redes sociais Facebook e Twit- ter, é recolhida através da plataforma Beancounter. As actividades sociais do utilizador obtidas são filtradas para extrair os filmes e séries que são, por sua vez, enriquecidos semanticamente através do recurso a repositórios abertos de dados interligados. Neste caso, os filmes e séries são classificados através dos géneros da IMDb e, posteriormente, mapeados para as categorias de programas da BBC. Por último, a informação do contexto e das preferências explícitas, através da classificação dos itens recomendados, do utilizador são também contempladas. O sistema desenvolvido efectua recomendações em tempo real baseado nas actividades das redes sociais Facebook e Twitter, no historial de vídeos Youtube e de programas da BBC vistos e preferências explícitas. Foram realizados testes com cinco utilizadores e o tempo médio de resposta do sistema para criar o conjunto inicial de recomendações foi 30 s. As recomendações personalizadas são geradas e actualizadas mediante pedido expresso do utilizador.
The amount and diversity of multimedia contents currently available poses a challenge to users since the search space, i.e., choice of sources and contents, exceeds largely their available time and processing capacity. This problem of selecting information from large heterogeneous data sets based on the user profile is complex and requires specific tools. This is the context where Recommender Systems make a difference since they are able to suggest items inline with the user tastes, interests or needs, i.e., based on the user profile, using artificial intelligence methodologies. The main objective of this thesis is to demonstrate that it is possible to recom- mend in real time multimedia contents based on the personal and social profile of the user, using only public heterogeneous data sources. In this sense, a Recom- mendation System based on the content, i.e., based on the features of the items, the personal history, context and preferences as well as the social interactions of the user was designed and implemented. The content recommended, i.e., the items suggested to the user, are from British Broadcasting Corporation (BBC) and are classified according to the BBC programmes categories. The user profile is built taking into account the personal history, context and preferences as well as the social activities. YouTube acts as the source of perso- nal history, substituting the traditional source of this type of data - the Set-Top Box (STB). The history is composed of the set of YouTube videos and BBC programmes seen by the user. The content of YouTube videos, which is classi- fied according to the YouTube categories, is mapped into the BBC programmes categories. The social data, which is derived from Facebook and Twitter social networks, is collected through the Beancounter platform. The user social activi- ties collected by the Beancounter platform are filtered to extract the references to films and series which are, in turn, semantically enhanced through linked open data repositories. In this case, the films and series are classified according to the IMDb genres and, subsequently, mapped into the BBC programmes categories. Finally, the personal context and preferences, obtained from the user ratings, are also considered. The developed system provides recommendations in real time based on the user social and personal data. Tests were conducted with five users and the average time system response to provide an initial set of recommendations was 30 s. The personalized recommendations are created and updated upon user request.
Peer review: yes
URI: http://hdl.handle.net/10400.22/4655
Aparece nas colecções:ISEP - DM – Engenharia Electrotécnica e de Computadores

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
DM_FatimaLeal_2013_MEEC.pdf14,21 MBAdobe PDFVer/Abrir


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpace
Formato BibTex MendeleyEndnote Degois 

Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.