English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Tools annual

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Presents the access of premium content as premium feature

Premium Content

Global: Zendy Plus annual

Global: Zendy Free Plan

O projeto e a avaliacao de metodos de recomendacao de tags tem focado, historicamente, em maximizar a relevância das tags sugeridas para um dado objeto, como um filme ou uma musica. A relevância de uma tag pode ser definida sob duas perspectivas. Em uma perspectiva centrada no objeto, uma tag e relevante se ela descreve corretamente o conteudo do objeto alvo, enquanto em uma perspectiva personalizada uma tag relevante deve nao apenas descrever bem o conteudo do objeto, mas tambem satisfazer os interesses do usuario alvo. Entretanto, mesmo utilizando personalizacao, relevância pode nao ser suficiente para garantir a eficacia e utilidade das recomendacoes, quando considerada isoladamente. Promover novidade e diversidade em recomendacao de tags nao apenas aumenta as chances de que o usuario selecionara pelo menos algumas das tags recomendadas, mas tambem ajuda a promover informacao (i.e., tags) complementar, cobrindo os multiplos aspectos ou topicos relacionados ao objeto alvo. Mesmo assim, nenhum trabalho anterior considerou aspectos de novidade e diversidade no contexto especifico de recomendacao de tags. Nesta tese, objetivamos propor novas solucoes que considerem multiplos aspectos relacionados ao problema de recomendacao de tags, em particular, relevância, novidade, diversidade e personalizacao. Para isso, nos primeiramente investigamos a eficacia do uso combinado de varios atributos de qualidade de tags, bem como de tecnicas de learning-to-rank (L2R) em recomendacao de tags com o objetivo de melhorar a relevância das tags recomendadas. Tambem propomos novos atributos sintaticos e tecnicas baseadas na vizinhanca do objeto alvo para tratar um cenario especifico de cold start. Em seguida, ampliamos nosso foco, estendendo nossos melhores metodos para tratar aspectos relacionados a personalizacao, novidade (especificidade da tag) e diversidade (cobertura de topicos). Nos avaliamos nossos metodos utilizando dados reais de cinco aplicacoes da Web 2.0, a saber, Bibsonomy, LastFM, MovieLens, YahooVideo e YouTube. Nossos resultados experimentais demonstram a eficacia de nossos novos metodos quando comparados ao estado-da-arte, e confirmam a viabilidade de melhorar novidade e diversidade com impactos despreziveis em relevância. Tambem verificamos que os atributos sintaticos propostos sao responsaveis por ganhos significativos (de ate 17% em precisao) sobre nosso melhor metodo no cenario de cold start. Alem disso, atestamos os beneficios da personalizacao para prover melhores descricoes para o objeto alvo, que apresentou ganhos de 15% em media sobre o melhor metodo centrado no objeto.

Relevance, Novelty, Diversity and Personalization in Tag Recommendation