Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/35644
Title: Machine Learning num Sistema de Recomendações
Authors: Garcia, Joao Miguel Goncalves 
Orientador: Costa, Ernesto Jorge Fernandes
Keywords: City Area Clustering; Machine Learning; Recommendation System
Issue Date: 7-Sep-2015
Abstract: Hoje em dia, dada a grande quantidade de diferentes tipos de informação, é possível desenvolver sistemas inteligentes que aprendem usando este tipo de informação e são capazes de realizar certas tarefas melhor que sistemas estáticos. O presente trabalho reporta o desenvolvimento de um sistema de recomendação para Livin’X, uma plataforma para o mercado imobiliário que pertence à Ubiwhere. A intenção é oferecer aos utilizadores recomendações de qualidade baseado não só na informação das casas, mas também nas comunidades que os utilizadores formam e, mais importante, a preferencia que os utilizadores mostram pelas áreas onde as casa estão inseridas. Neste trabalho foi feita uma revisão do estado da arte de sistemas de recomendação, identificando os princípios e técnicas mais utilizadas. Baseado neste estudo, foi proposto, implementado e testado uma arquitetura para um sistema de recomendação para o mercado imobiliário. Procurou-se e guardou-se informação de utilizadores e da cidade para alimentar o sistema. Um algoritmo genético que agrupa áreas da cidade foi desenvolvido, permitindo o cálculo da preferência dos utilizadores por dada área da cidade onde dada casa está inserida. Mais tarde, a semelhança entre casas foi calculada usando tanto as suas características como as interações dos utilizadores com elas. Finalmente, usando Collaborative Filtering, o sistema desenvolvido foi capaz de criar recomendações mais eficazmente e de melhor qualidade que o motor de recomendações previamente em uso no Livin’X. Neste documento está também reportado as dificuldades encontradas e como se lidou com elas. A maneira como o sistema foi validado também é clarificada tal como a afinação para otimizar o sistema.
Nowadays, given the large availability of different types of information, it is possible to develop intelligent systems that learn from this information and are able to perform certain tasks better than static systems. The present work reports the development of a recommendation system for Livin’X, a platform for the real-estate market belonging to Ubiwhere. The intention is to provide the users with quality recommendations based not only on house information, but also on the communities they form and, more importantly, the preference the users show for the area a given house is inserted in. In this work a review of the state of the art on recommendation systems was made, identifying the principles and techniques mostly used. Based on that study it was proposed, implemented and tested an architecture for a recommendation system for the real-estate market. User and city information was gathered in order to feed the system. A genetic algorithm that clusters city areas was developed, allowing for the calculation of the users preference for the area a given house is inserted in. Later, the houses’ similarity was calculated using both their characteristics and the user interaction with them. Finally, using collaborative filtering, the developed system was able to provide recommendations more efficiently and with better quality than the previous engine Livin’X was using. In this document it was also reported the difficulties encountered and how they were dealt with. The way the system was validated is also clarified as well as the fine tuning done to optimize the system.
Description: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra
URI: http://hdl.handle.net/10316/35644
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado
FCTUC Eng.Informática - Teses de Mestrado

Files in This Item:
File Description SizeFormat 
Machine Learning in a Recommendation System.pdf4.79 MBAdobe PDFView/Open
Show full item record

Page view(s) 50

213
checked on May 21, 2019

Download(s) 50

307
checked on May 21, 2019

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.