Proposta e criação de um serviço de recomendação de eventos em redes sociais.

Abstract

Com a popularização do acesso à Internet, surgiram diversas plataformas cujo foco está na socialização dos seus membros. Estas plataformas são comumente chamadas de redes sociais. Dentre as redes sociais existentes, há um grupo denominado "Redes Sociais Baseadas em Eventos" (EBSN), cujo objetivo está no auxílio da organização e distribuição de eventos online e offline. Com a presença de milhões de usuários e milhares de eventos semanais nas EBSN, existe a necessidade da criação de serviços que realizam recomendação de eventos de forma personalizada a cada um dos usuários, visto que a busca manual pode ser inviável e desmotivadora. Sendo assim, este trabalho propõe o desenvolvimento de um serviço de recomendação de eventos que considera features amplamente usados na literatura, como a localização do usuário e evento, assim como features não tão comuns, sendo estas a emoção, o sentimento e a personalidade do usuário. Para tal, de uma forma geral, este trabalho produziu: uma nova base de dados sintética para a classe de problemas e suporte do serviço de recomendação, a partir de uma base coletada; um script para coleta de dados públicos em plataformas reais e, por fim, o serviço de recomendação de eventos, desde a extração de features à coleta de feedbacks explícitos. Para averiguar a qualidade dos modelos utilizados na arquitetura de funcionamento do recomendador proposto, alguns experimentos comparativos foram realizados utilizando a base de dados mencionada. A partir dos experimentos realizados, foi possível observar que uma das técnicas de aprendizado propostas inferiu modelos, para o serviço de recomendação, que apresentaram resultados satisfatórios utilizando a base criada; no entanto, para outros, mostrou-se necessárias melhorias. Este trabalho contribui com a possível abertura de novos temas de pesquisa, além do desenvolvimento de um serviço de recomendação e uma nova base de dados sintética. Ademais, quanto ao serviço proposto de recomendação propriamente dito, conclui-se que ele utiliza de um módulo com boa engenharia de recursos (features) e de um modelo de classificação de interesse eficaz quanto às métricas coletadas; no entanto, há oportunidades para melhorias, como implementação de um sistema de ranqueamento de itens e aumento de personalização pela utilização de diferentes algoritmos de aprendizado por usuário.