Dissertação

{en_GB=A recommender System for Automation Rules In the Internet of Things} {} EVALUATED

{pt=Cada vez mais dispositivos suportando conectividade à internet são criados diariamente. O valor destes dispositivos reside na possibilidade de interagirem entre eles, como parte de regras de automação criadas por utilizadores por forma a melhorarem a sua experiência em casa. Várias plataformas oferecem sistemas que permitem a criação de regras de automação entre diferentes dispositivos, mas definir estas automações pode ser bastante complexo. Esta tese explora a recomendação de regras de automação de forma automática e personalizada, a utilizadores de dispositivos ligados à internet. A aplicação das técnicas de sistemas de recomendação a este domínio é nova, pelo que a exploração da aplicabilidade das estratégias discutidas na literatura é uma das principais contribuições deste trabalho. Exploramos a hipótese de que determinados grupos de automações oferecem sinergias, e desenvolvemos um sistema baseado na aprendizagem de regras de associação. Várias estratégias para tornar possível esta aprendizagem com recurso a dados de automações foram estudadas, tal como a generalização de regras de automação para produtos recomendáveis, ou a aplicação de um operador de semelhança a todos os produtos, tornando as regras de associação inidentificáveis entre utilizadores. O sistema desenvolvido mostrou resultados muito promissores, com uma metodologia de avaliação consistindo em obter métricas como precisão, sensibilidade e cobertura, bem como comparando-o com um sistema de recomendação mais simples, desenvolvido como referência. Finalmente, foi discutido como as técnicas desenvolvidas neste trabalho são generalizáveis para domínios que não o de regras de automação., en=More and more devices featuring internet connectivity are being created every day. The value of such devices is in their ability to interact with one another, as part of automation workflows created by users to improve their home experience. Various platforms offer systems that allow for the creation of automation rules between different connected devices, but formulating and defining such automations can be quite complex. This work explores the automated, personalized recommendation of automation rules for users of connected devices. The application of recommender systems' techniques to this domain is novel, so that exploring the applicability of the recommendation approaches discussed in the literature is one of the main contributions of this work. The hypothesis that certain groups of automations provide synergies was explored, and a system that exploits this by providing recommendations based on learning association rules was developed. Various strategies to make association rule mining feasible on an automation dataset were devised, such as generalizing automation rules into recommendable items, and applying a similarity operator to all items, making automations identifiable across users. The developed system showed very promising results, under an evaluation methodology consisting of gathering precision, recall and coverage metrics for the most important hyperparameters, as well as when comparing it against a naive recommender developed as a baseline. Finally, it was discussed how the techniques developed in this work are generalizable to domains outside of automation rule territory.}
{pt=Sistemas de Recomendação, Regras de Automação, Internet das Coisas, Personalização, Regras de Associação., en=Recommender Systems, Automation Rules, Internet of Things, Personalization, Association Rules.}

Junho 5, 2017, 10:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Fernando Henrique Côrte-Real Mira da Silva

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar

ORIENTADOR

Luis Miguel Martins Nunes

ISCTE

Professor Auxiliar