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 como uma tarefa desafiadora. Como proposto no algoritmo SCOAL (Simultaneous Co-Clustering and Learning), a segmentação dos dados e o aprendizado de modelos localizados 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 a variante baseada em Algoritmos Evolutivos EvoSCOAL. Por meio de resultados preliminares em experimentos computacionais, observamos que o EvoSCOAL obteve qualidade preditiva competitiva em relação a abordagem MSCOAL, baseada em busca por bisecção. Ainda com base nestes resultados, levantamos pontos de melhoria e aspectos a serem investigados em nossa abordagem na sequência deste trabalho.