Sistemas de Recomendação utilizando coagrupamento e aprendizado simultâneo evolutivo
Sistemas de Recomendação são ferramentas que auxiliam na seleção personalizada de itens de acordo com as preferências individuais dos usuários. Filmes, músicas e produtos em e-commerce são exemplos de aplicações bem conhecidas. Características comuns em dados destes domínios são a alta dimensionalidade, devido a grande quantidade de usuários e itens, e a alta esparsidade, devido ao fato de que cada usuário interage apenas com uma pequena parte dos itens. Neste cenário, obter um modelo que represente a relação de todos usuários com todos os itens se mostra uma tarefa desafiadora. Como proposto no algoritmo SCOAL (Simultaneous Co-Clustering and Learning), a segmentação dos dados e o aprendizado de modelos locais se mostra como uma boa solução. Ainda assim, o número de modelos locais é um parâmetro crítico que deve ser ajustado manualmente. A fim de otimizar a busca do melhor valor deste parâmetro, propomos uma variante baseada em Algoritmos Evolutivos, denominada Evolutionary Simultaneous Co-Clustering and Learning (EvoSCOAL). Por meio de experimentos computacionais em dados sintéticos, observamos que o EvoSCOAL pode superar a abordagem da literatura, baseada em busca por bisecção, tanto na qualidade preditiva e quanto na capacidade de estimar o valores do parâmetro. Em bases de dados reais, o EvoSCOAL se mostrou competitivo em comparação a técnicas tradicionais da literatura de sistemas de recomendação.