Melhorando recomendações baseadas no contexto com classificação de texto para sistemas de recomendação de domínios cruzados

Abstract

Os sistemas de recomendação sensíveis ao contexto (CARS) ganharam atenção substancial por sua capacidade de melhorar a precisão das recomendações, considerando vários fatores contextuais. Contudo, a integração eficaz de informações contextuais em diversos domínios continua a ser um desafio. Este artigo apresenta uma nova metodologia para inferir informações contextuais usando técnicas de classificação de texto, e avalia seu impacto no desempenho de um Sistema de Recomendação Sensível ao Contexto de Domínios Cruzados (CD-CARS). Nossa metodologia envolve o préprocessamento de dados textuais e a utilização de Support Vector Machines (SVM) para inferência de contexto. Através de uma avaliação extensa, analisamos os efeitos da integração do contexto inferido nos algoritmos do CD-CARS. Os resultados experimentais demonstram que a metodologia proposta produz maior precisão e relevância das recomendações em diferentes domínios. As conclusões destacam o potencial de aproveitar técnicas de classificação de texto para melhorar as recomendações sensíveis ao contexto, contribuindo assim para o avanço dos sistemas de recomendação em cenários de domínios cruzados.