@MASTERSTHESIS{ 2013:1187780853,
 	title = {Aprendendo fun??es de previs?o de notas em m?todos de filtragem colaborativa baseada em usu?rio},
 	year = {2013},
 	url = "http://tede.ufam.edu.br/handle/tede/2920",
 	abstract = "A grande oferta de conte?dos na sociedade contempor?nea torna dif?cil a tarefa de busca por informa??es que interessem aos usu?rios. Uma forma de lidar com tal sobrecarga
 de informa??es ? prover ferramentas que recomendem para os usu?rios, dentre as informa??es alternativas, aquelas que devem ser de seu interesse. Tais ferramentas s?o os Sistemas de Recomenda??o (SR). As principais aplica??es em SR se baseiam em duas t?cnicas, filtragem baseada em conte?do e filtragem colaborativa. Dentre as duas, a filtragem colaborativa ? a mais utilizada uma vez que, em geral, a estrat?gia que emprega, determinar grupos de usu?rios com interesses similares, ? mais efetiva para capturar prefer?ncias. O problema de recomenda??o, como abordado em filtragem colaborativa, pode ser visto como um problema de previs?o da prefer?ncia do usu?rio, normalmente representada por uma nota. Sistemas tradicionais prev?em esta nota atrav?s de uma equa??o de regress?o obtida heuristicamente, envolvendo diversas evid?ncias como n?vel de rigor do usu?rio e sua reputa??o. Como em qualquer estrat?gia heur?stica, n?o h? nenhuma garantia que as equa??es usadas para a previs?o sejam mais adequadas para um conjunto particular de dados, no sentido de minimizar o erro de previs?o. Assim, neste trabalho, buscamos determinar se, em lugar de usar f?rmulas heur?sticas, n?o seria mais eficaz determinar automaticamente, por meio de uma t?cnica de aprendizagem de m?quina, a melhor combina??o das evid?ncias dispon?veis de forma a reduzir o erro de previs?o. Nossos experimentos indicam que usando apenas evid?ncias empregadas em m?todos tradicionais, um m?todo de regress?o, como o proposto, pode alcan?ar resultados significativamente melhores que m?todos tradicionais. Al?m disso, evid?ncias como as notas que vizinhos atribuem ao item (como um todo ou individualmente) e as notas m?dias do usu?rio, do item e dos vizinhos possu?ram melhor desempenho. Por fim, obtivemos ganhos de at? 7% sobre o baseline com caracter?stica de confian?a e de 6% sobre baseline sem uso de confian?a.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}