Dissertação
{pt_PT=Contextual Food Recommendation Through Factorization Machines} {} EVALUATED
{pt=Este trabalho procura aplicar ao domínio da comida ou das receitas, avanços recentes na área dos sistemas de recomendação com suporte ao contexto, designadamente através de experimentação de modelos baseados em factorization machines. Este domínio de aplicação em particular conta com características únicas que motivam a aplicação de metodologias modernas que possam tratar corretamente um grande número de variáveis contextuais. O consumo dos alimentos está associado a informação heterógenea sobre ingredientes, a sua composição química, aspectos nutricionais, métodos de preparação ou resultados da combinação de ingredientes, bem como a custos monetários, à disponibilidade de ingredients, à cultura, a características sociais e até a fatores ambientais. Este trabalho propõe realizar a modelação das preferências do utilizador sobre receitas como uma agregação de variáveis extraídas a partir dos dados disponíveis, aplicando em seguida as factorization machines para capturar as interações de dimensionalidade reduzida entre as variáveis. Os testes com os três conjuntos de dados disponíveis sobre eventos de rating de utilizadores sobre receitas, confirmam a eficiência desta aproximação, demonstrando que considerando multiplas variáveis de contexto se obtêm ganhos significativos no que respeita à performance de recomendação., en=This work aims at bringing recent advances in the area of contextual recommendation systems into the food domain, namely by experimenting with models based on factorization machines. This particular domain has several unique characteristics that motivate the usage of modern approaches that can deal well with a large number of contextual features, given that the consumption of food items is associated to heterogeneous information about ingredients, their chemical composition, nutritional aspects, cooking methods, ingredient combination effects, as well as monetary costs, availability, cultural, social and even environmental factors. This work propose to model user preferences of food items as an aggregation of extracted features, latter leveraging factorization machines to capture latent low-rank interactions between the features. Experiments with three very different datasets related to user ratings for recipes attest for the effectiveness of this approach, showing that considering multiple contextual attributes leads to significant gains in terms of recommendation performance.}
novembro 4, 2015, 16:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Bruno Emanuel Da Graça Martins
Departamento de Engenharia Informática (DEI)
Professor Auxiliar
