Browsing by Author "PINTO, LUÍS CARLOS FERNANDES"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Personalização de recomendações turísticas através de mineração de padrões e dados de contextoPublication . PINTO, LUÍS CARLOS FERNANDES; Alves, Patrícia Raquel de Jesus Araújo; Marreiros, Maria Goreti CarvalhoOs sistemas de recomendação são ferramentas concebidas para apoiar os utilizadores nas suas escolhas, tornando-as progressivamente mais personalizadas. Com a evolução destes sistemas, as recomendações alcançam cada vez mais níveis superiores de precisão e coerência. Contudo, quando utilizados em recomendações de grupos, surge um problema decorrente do facto de os diferentes membros apresentarem preferências distintas, sendo, por isso, necessários métodos mais avançados que conciliem preferências e resolvam potenciais conflitos. O trabalho realizado incidiu sobre a melhoria de um sistema de recomendação para grupos (GRS) de turismo, Grouplanner, em desenvolvimento no Grupo de Investigação em Engenharia e Computação Inteligente para a Inovação e Desenvolvimento (GECAD) com o objetivo de resolver os problemas de heterogeneidade de preferências em grupos de turismo. Esta aplicação é suportada por uma arquitetura baseada em cinco microserviços, através da qual são disponibilizadas funcionalidades como a gestão de utilizadores, a definição de preferências e a geração de recomendações. As funcionalidades adicionadas permitem a melhoria das recomendações com base nos perfis dos utilizadores, através da extração de padrões de comportamento. Para tal, foram integrados três algoritmos distintos de mineração de padrões frequentes — Apriori, FP-Growth e Eclat — possibilitando a comparação entre diferentes abordagens e a escolha dinâmica da técnica mais adequada por meio de configuração. A extração destas regras foi incorporada no serviço multiagente (MAMS), para serem consideradas no motor de recomendações pelo motor de recomendação (REMS), permitindo a geração de sugestões mais personalizadas. A metodologia proposta foi concebida considerando não apenas os dados demográficos declarados dos utilizadores, mas também fatores como medos, limitações físicas, avaliações dos POI e dados de contexto, o que resulta em recomendações mais personalizadas e adequadas ao perfil dos turistas. Foram realizados testes para avaliar o impacto da escolha do algoritmo de mineração de padrões frequentes e do número de utilizadores na qualidade das recomendações geradas e no desempenho computacional. Os resultados obtidos demonstraram que o algoritmo FP-Growth apresentou o melhor desempenho neste contexto. Estes resultados também demonstraram que a utilização de regras de associação contribuiu para melhorar a personalização das recomendações, promovendo experiências mais relevantes para os utilizadores.