Dissertação
Masters' Courses Recommendation: Exploring Collaborative Filtering and Singular Value Decomposition with Student Profiling EVALUATED
A decisão que os estudantes têm que tomar sobre quais as disciplinas de mestrado a frequentar é decisiva: esta escolha pode ter efeito sobre os seus objetivos académicos e pessoais, assim como restringir o seu futuro profissional. Uma má escolha pode levar à desmotivação do aluno, e consequentemente a que este abandone os estudos ou que não explore as suas capacidades. Contudo, usualmente não é oferecido qualquer tipo de apoio para enfrentar este problema. Sendo assim, é crucial compreender as particularidades dos estudantes de maneira a recomendar disciplinas que para além de interessantes, sejam adequadas às suas características. O uso de sistemas de recomendação para sugerir objectos a utilizadores têm casos de sucesso reconhecidos, em áreas como o comércio electrónico e recomendação de filmes. Algumas das técnicas de recomendação com mais sucesso são a decomposição de valores singulares (SVD) e os filtros colaborativos (CF). Nesta dissertação, propomos a combinação destas duas técnicas, a par com classificadores ASAP, por forma a capturar os factores escondidos que explicam as notas obtidas nas várias disciplinas. Com esta informação pretendemos prever as notas de mestrado dos alunos, de maneira a poder recomendar as disciplinas de mestrado que são mais adequadas às capacidades de cada estudante. A utilização dos classificadores ASAP tornam possível antecipar a recomendação, fazendo uso de um número menor de dados do aluno alvo da recomendação. Os nossos resultados mostram que é possível prever as notas das disciplinas de mestrado tem potencial para servir de ponto de partida para produção das recomendações.
novembro 10, 2014, 10:30
Publicação
Obra sujeita a Direitos de Autor