Percorrer por autor "RIBEIRO, BRUNO FILIPE DE SOUSA"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Resolver o problema de cold start e escassez de dados com algoritmos híbridosPublication . RIBEIRO, BRUNO FILIPE DE SOUSA; Santos, Joaquim Filipe Peixoto dosOs sistemas de recomendação tornaram-se indispensáveis no panorama digital, proporcionando personalização em setores como comércio eletrónico, saúde, media e retalho. No entanto, estes sistemas enfrentam desafios como o cold start, a escassez de dados, a privacidade e a transparência, que comprometem a sua eficácia e adoção generalizada. O projeto Environment Adaptive Recommendation System (EARS) aborda estas limitações através de uma abordagem inovadora baseada em aprendizagem federada. Este método permite o processamento descentralizado de dados, reduzindo os riscos associados à centralização e promovendo maior segurança e privacidade para os utilizadores. Para superar os problemas de cold start e escassez de dados, o EARS integra algoritmos híbridos que combinam filtragem colaborativa e baseada em conteúdo. Esta combinação permite oferecer recomendações mais precisas e personalizadas, mesmo em cenários onde os dados são limitados ou inexistentes. A solução foi validada através de cenários experimentais que demonstraram melhorias significativas na personalização, precisão e cobertura das recomendações, tanto em situações com abundância de dados como em contextos de cold start e escassez de dados. Os resultados confirmam a eficácia dos algoritmos híbridos em comparação com abordagens tradicionais, evidenciando ainda a escalabilidade e a robustez do sistema. Esta dissertação contribui, assim, para a evolução dos sistemas de recomendação ao propor uma solução prática e inovadora, capaz de responder a limitações destes sistemas. Para além disso, abre caminho a desenvolvimentos futuros, como a aplicação em diferentes setores e a realização de testes em ambientes mais amplos e realistas, de forma a consolidar o impacto e utilidade do EARS.