O documento discute sistemas de recomendação em redes sociais. Apresenta brevemente redes sociais e sistemas de recomendação, descrevendo suas principais técnicas como filtragem baseada em conteúdo, filtragem colaborativa e mineração de dados. Também aborda sistemas de recomendação em plataformas como Google+ e redes sociais.
O documento discute sistemas de recomendação, apresentando suas principais estratégias e técnicas. Aborda a coleta de informações, estratégias de recomendação como listas e avaliações de usuários. Detalha as técnicas de filtragem baseada em conteúdo, colaborativa e híbrida, dando exemplos de sistemas que as utilizam.
1) O documento discute sistemas de recomendação, comparando filtragem colaborativa e baseada em conteúdo.
2) A filtragem colaborativa usa dados de outros usuários para fazer recomendações, enquanto a baseada em conteúdo analisa características dos itens.
3) Sistemas híbridos combinam essas abordagens para superar limitações individuais.
Este documento apresenta uma revisão bibliográfica sobre sistemas de recomendação, discutindo: 1) A importância dos sistemas de recomendação para personalizar sistemas e aumentar vendas; 2) Como os sistemas de recomendação usam perfis de usuários para fornecer itens relevantes; 3) Os aspectos necessários para criar perfis de usuários, incluindo identidade, reputação e coleta de informações.
O documento discute sistemas de busca e recomendação. Sistemas de busca ajudam os usuários a encontrar informações relevantes, mas têm limitações. Sistemas de recomendação filtram informações e sugerem itens de interesse para os usuários baseados em seus perfis e preferências. Várias técnicas de recomendação são discutidas, incluindo filtragem baseada em conteúdo, colaborativa e híbrida.
O documento discute os principais componentes e técnicas de sistemas de recomendação, incluindo filtragem baseada em conteúdo, filtragem colaborativa e híbrida. Ele explica como esses sistemas podem automatizar recomendações pessoais com base no perfil e preferências do usuário.
O documento discute ferramentas de recomendação, incluindo abordagens, domínios de aplicação e métricas. Ele também descreve um algoritmo para recomendação de filmes baseado em gêneros e apresenta o sistema Indic@, desenvolvido para prototipar o algoritmo.
O documento discute sistemas de recomendação, definindo-os como sistemas projetados para sugerir itens de interesse aos usuários de forma personalizada. Apresenta as principais estratégias de recomendação, incluindo recomendações colaborativas baseadas no comportamento de usuários similares, e recomendações baseadas em conteúdo que analisam descrições de itens. Também discute técnicas como cálculo de similaridade entre usuários e predição de notas para recomendações.
O documento apresenta um modelo de negociação de privacidade para sistemas de recomendação social que: (1) propõe um padrão de projeto de interface de usuário para comunicar políticas de privacidade e permitir a negociação entre usuário e sistema, (2) descreve um modelo de negociação de privacidade para sistemas de recomendação social, e (3) apresenta o sistema SocialRecSys como prova de conceito da implementação do modelo proposto.
O documento discute sistemas de recomendação, apresentando suas principais estratégias e técnicas. Aborda a coleta de informações, estratégias de recomendação como listas e avaliações de usuários. Detalha as técnicas de filtragem baseada em conteúdo, colaborativa e híbrida, dando exemplos de sistemas que as utilizam.
1) O documento discute sistemas de recomendação, comparando filtragem colaborativa e baseada em conteúdo.
2) A filtragem colaborativa usa dados de outros usuários para fazer recomendações, enquanto a baseada em conteúdo analisa características dos itens.
3) Sistemas híbridos combinam essas abordagens para superar limitações individuais.
Este documento apresenta uma revisão bibliográfica sobre sistemas de recomendação, discutindo: 1) A importância dos sistemas de recomendação para personalizar sistemas e aumentar vendas; 2) Como os sistemas de recomendação usam perfis de usuários para fornecer itens relevantes; 3) Os aspectos necessários para criar perfis de usuários, incluindo identidade, reputação e coleta de informações.
O documento discute sistemas de busca e recomendação. Sistemas de busca ajudam os usuários a encontrar informações relevantes, mas têm limitações. Sistemas de recomendação filtram informações e sugerem itens de interesse para os usuários baseados em seus perfis e preferências. Várias técnicas de recomendação são discutidas, incluindo filtragem baseada em conteúdo, colaborativa e híbrida.
O documento discute os principais componentes e técnicas de sistemas de recomendação, incluindo filtragem baseada em conteúdo, filtragem colaborativa e híbrida. Ele explica como esses sistemas podem automatizar recomendações pessoais com base no perfil e preferências do usuário.
O documento discute ferramentas de recomendação, incluindo abordagens, domínios de aplicação e métricas. Ele também descreve um algoritmo para recomendação de filmes baseado em gêneros e apresenta o sistema Indic@, desenvolvido para prototipar o algoritmo.
O documento discute sistemas de recomendação, definindo-os como sistemas projetados para sugerir itens de interesse aos usuários de forma personalizada. Apresenta as principais estratégias de recomendação, incluindo recomendações colaborativas baseadas no comportamento de usuários similares, e recomendações baseadas em conteúdo que analisam descrições de itens. Também discute técnicas como cálculo de similaridade entre usuários e predição de notas para recomendações.
O documento apresenta um modelo de negociação de privacidade para sistemas de recomendação social que: (1) propõe um padrão de projeto de interface de usuário para comunicar políticas de privacidade e permitir a negociação entre usuário e sistema, (2) descreve um modelo de negociação de privacidade para sistemas de recomendação social, e (3) apresenta o sistema SocialRecSys como prova de conceito da implementação do modelo proposto.
O documento resume os principais algoritmos de recomendação, incluindo filtro colaborativo entre usuários e itens, e filtro baseado em conteúdo. Também discute avaliação de sistemas de recomendação e exemplos de aplicações em empresas como Amazon, Netflix e Facebook.
Sistemas de Recomendação e Inteligência ColetivaMarcel Caraciolo
Marcel Pinheiro Caraciolo discute sistemas de recomendação, incluindo como eles funcionam para personalizar a experiência de compra do usuário, como filtragem colaborativa, de conteúdo e híbrida, e como as recomendações são avaliadas e apresentadas aos usuários.
O documento discute redes sociais e como elas mudaram a comunicação na internet. Ele define redes sociais, explica exemplos populares como Facebook e Twitter, e discute como análise de redes sociais pode fornecer informações sobre relacionamentos e conexões entre pessoas. Finalmente, aborda a teoria dos seis graus de separação e como qualquer pessoa pode estar conectada a outra através de no máximo três conexões.
Relatório em PDF: http://tinyurl.com/mf6agk
Apresentação de comparação de eficiência de chamadas de sistema de linguagens de programação utilizando uma plataforma de benchmarking escrita em DTrace feita para a disciplina de Sistemas Operacionais da Escola Politécnica da USP.
Sistema de recomendação para bibliotecas universitárias - KREBS, Luciana Mont...Luciana Monteiro
Trabalho de Conclusão de Curso de graduação, apresentado como requisito para obtenção do grau de bacharel em Biblioteconomia pelo Departamento de Ciências da Informação da Universidade Federal do Rio Grande do Sul.
Porto Alegre, 03 de julho de 2013.
Luciana Monteiro Krebs
Orientador: Prof. Dr. Rafael Port da Rocha (UFRGS)
Coorientadora: Profª. Dra. Maria Cristina de Carvalho Alves Ribeiro (UP)
O documento discute sistemas de recomendação, começando com a motivação para seu uso e descrevendo os principais tipos: similaridade, filtragem colaborativa e análise de conteúdo. Ele fornece exemplos de como cada tipo funciona, incluindo um sistema híbrido de recomendação de filmes.
Sistemas de recomendação filtram informações para usuários usando técnicas como filtragem colaborativa e baseada em conteúdo. A filtragem colaborativa compara preferências de itens entre usuários, enquanto a baseada em conteúdo recomenda itens similares aos já consumidos pelo usuário. Sistemas híbridos combinam essas abordagens para maximizar relevância das recomendações.
RECOMENDAÇÃO DE DOCUMENTOS PARA OS USUÁRIOS DO AVA MOODLE A PARTIR DAS HASHTA...Adelton Ribeiro
Este documento descreve uma dissertação de mestrado apresentada à Universidade Estadual do Maranhão que tem como objetivo desenvolver um módulo adicional ao Ambiente Virtual de Aprendizagem (AVA) Moodle para recomendar documentos aos usuários com base nas hashtags postadas nos fóruns. O trabalho apresenta diferentes técnicas de sistemas de recomendação, descreve como o novo módulo foi criado para o Moodle utilizando a medida TF-IDF e realizou experimentos com alunos de um curso técnico em informática para
Marcel Pinheiro Caraciolo is a researcher from Sergipe, Brazil studying for a master's degree in computer science at UFPE. His areas of interest include mobile computing and artificial intelligence. He maintains blogs on mobility and AI. He is also a member of the Python user group in Pernambuco.
Sistemas de Recomendação Aplicados a WebComo converter visitantes em comprado...Arthur Fortes
O documento discute sistemas de recomendação aplicados à web para converter visitantes em compradores. Apresenta os autores e suas formações, define web 1.0, 2.0 e 3.0, explica o que são sistemas de recomendação e como funcionam, e discute como esses sistemas podem ser aplicados no e-commerce para aumentar conversões, vendas e fidelização de clientes.
Sistemas recomendacao para Marketing e PropagandaMarcel Caraciolo
O documento discute sistemas de recomendação e como eles podem ser usados para melhorar a experiência de compra personalizando ofertas e sugestões para os clientes. Sistemas de recomendação coletam dados sobre preferências de usuários e feedback para fornecer sugestões relevantes que podem levar à fidelização dos clientes.
1) Os documentos e consultas são representados como vetores no modelo de espaço vetorial, onde cada dimensão representa um termo e o valor em cada dimensão é o peso tf-idf do termo.
2) A similaridade entre consultas e documentos é calculada usando o cosseno dos ângulos entre os vetores, em vez da distância euclidiana.
3) Os documentos são classificados de acordo com sua similaridade cosseno em relação à consulta, e os K documentos mais similares são devolvidos como resultado da busca.
Minicurso de 3 dias sobre um pouco da teoria em sistemas de recomendação e uso do framework mahout no desenvolvimento dos mesmos.
Esse minicurso faz parte de um dos trabalhos realizados no projeto de cooperação em sistemas inteligentes em nuvem entre o Instituto Nokia de Tecnologia(INdT) e o Instituto de Computação(IComp) da Universidade Federal do Amazonas(UFAM).
Minicurso de 3 dias sobre um pouco da teoria em sistemas de recomendação e uso do framework mahout no desenvolvimento dos mesmos.
Esse minicurso faz parte de um dos trabalhos realizados no projeto de cooperação em sistemas inteligentes em nuvem entre o Instituto Nokia de Tecnologia(INdT) e o Instituto de Computação(IComp) da Universidade Federal do Amazonas(UFAM).
Conceitos e práticas em Sistemas de RecomendaçãoJoel Pinho Lucas
O documento discute sistemas de recomendação, incluindo técnicas como filtragem colaborativa e baseada em conteúdo, problemas comuns e desafios, e algoritmos como KNN e TF-IDF. Ele também fornece exemplos de casos e recursos para começar a desenvolver sistemas de recomendação.
Técnicas de Mineração de Dados Aplicadas a Sistemas de Recomendaçãosaspi2
Este documento discute a aplicação de técnicas de mineração de dados em sistemas de recomendação. Apresenta os conceitos de sistemas de recomendação, mineração de dados, regras de associação e classificação baseada em associação. Propõe uma metodologia que utiliza algoritmos de classificação baseada em associação fuzzy para validação em um sistema de recomendação.
Slideshare es un sitio web gratuito donde los usuarios pueden subir presentaciones en formato PowerPoint o OpenOffice para compartirlas en línea en formato Flash. Permite subir archivos de hasta 20 MB y compartir las presentaciones a través de enlaces o correo electrónico. Slideshare es útil para docentes para encontrar y compartir material didáctico como apoyo a las lecciones o para que los estudiantes compartan sus trabajos.
Sistemas de Recomendação: Como funciona e Onde Se aplica?Marcel Caraciolo
This document discusses mobile recommender systems. It describes how recommender systems on mobile devices face challenges due to limitations of mobile contexts, such as location and processing capabilities. It presents the workflow and architecture of a mobile restaurant recommendation and navigation system. The system collects and analyzes location-based user data on the server side and provides personalized recommendations to users on their mobile clients. It discusses using context such as location, tags, and implicit feedback for recommendations on mobile.
[Jose Ahirton Lopes] Algoritmos de RecomendacaoAhirton Lopes
O documento discute sistemas de recomendação, incluindo conceitos básicos, tipos como recomendação baseada em conteúdo e filtragem colaborativa, e exemplos como o sistema de recomendação da Netflix. Ele também aborda desafios como escassez de dados e cold start para novos usuários.
[Jose Ahirton Lopes] Algoritmos de Recomendacao IIAhirton Lopes
O documento discute sistemas de recomendação, incluindo seu objetivo de gerar recomendações válidas para usuários, os tipos principais (baseados em conteúdo e filtragem colaborativa), e exemplos como o Netflix.
O documento compara serviços de recomendação, discutindo cinco variáveis chave: 1) Informação e acompanhamento; 2) Estrutura e tipos de recomendação; 3) Gerenciamento das recomendações; 4) Integração e operação; 5) Desenvolvimento e manutenção. A eficácia das recomendações é o aspecto mais importante, mas outros fatores como cobertura geográfica e cuidado com clientes também influenciam a decisão de compra.
O documento resume os principais algoritmos de recomendação, incluindo filtro colaborativo entre usuários e itens, e filtro baseado em conteúdo. Também discute avaliação de sistemas de recomendação e exemplos de aplicações em empresas como Amazon, Netflix e Facebook.
Sistemas de Recomendação e Inteligência ColetivaMarcel Caraciolo
Marcel Pinheiro Caraciolo discute sistemas de recomendação, incluindo como eles funcionam para personalizar a experiência de compra do usuário, como filtragem colaborativa, de conteúdo e híbrida, e como as recomendações são avaliadas e apresentadas aos usuários.
O documento discute redes sociais e como elas mudaram a comunicação na internet. Ele define redes sociais, explica exemplos populares como Facebook e Twitter, e discute como análise de redes sociais pode fornecer informações sobre relacionamentos e conexões entre pessoas. Finalmente, aborda a teoria dos seis graus de separação e como qualquer pessoa pode estar conectada a outra através de no máximo três conexões.
Relatório em PDF: http://tinyurl.com/mf6agk
Apresentação de comparação de eficiência de chamadas de sistema de linguagens de programação utilizando uma plataforma de benchmarking escrita em DTrace feita para a disciplina de Sistemas Operacionais da Escola Politécnica da USP.
Sistema de recomendação para bibliotecas universitárias - KREBS, Luciana Mont...Luciana Monteiro
Trabalho de Conclusão de Curso de graduação, apresentado como requisito para obtenção do grau de bacharel em Biblioteconomia pelo Departamento de Ciências da Informação da Universidade Federal do Rio Grande do Sul.
Porto Alegre, 03 de julho de 2013.
Luciana Monteiro Krebs
Orientador: Prof. Dr. Rafael Port da Rocha (UFRGS)
Coorientadora: Profª. Dra. Maria Cristina de Carvalho Alves Ribeiro (UP)
O documento discute sistemas de recomendação, começando com a motivação para seu uso e descrevendo os principais tipos: similaridade, filtragem colaborativa e análise de conteúdo. Ele fornece exemplos de como cada tipo funciona, incluindo um sistema híbrido de recomendação de filmes.
Sistemas de recomendação filtram informações para usuários usando técnicas como filtragem colaborativa e baseada em conteúdo. A filtragem colaborativa compara preferências de itens entre usuários, enquanto a baseada em conteúdo recomenda itens similares aos já consumidos pelo usuário. Sistemas híbridos combinam essas abordagens para maximizar relevância das recomendações.
RECOMENDAÇÃO DE DOCUMENTOS PARA OS USUÁRIOS DO AVA MOODLE A PARTIR DAS HASHTA...Adelton Ribeiro
Este documento descreve uma dissertação de mestrado apresentada à Universidade Estadual do Maranhão que tem como objetivo desenvolver um módulo adicional ao Ambiente Virtual de Aprendizagem (AVA) Moodle para recomendar documentos aos usuários com base nas hashtags postadas nos fóruns. O trabalho apresenta diferentes técnicas de sistemas de recomendação, descreve como o novo módulo foi criado para o Moodle utilizando a medida TF-IDF e realizou experimentos com alunos de um curso técnico em informática para
Marcel Pinheiro Caraciolo is a researcher from Sergipe, Brazil studying for a master's degree in computer science at UFPE. His areas of interest include mobile computing and artificial intelligence. He maintains blogs on mobility and AI. He is also a member of the Python user group in Pernambuco.
Sistemas de Recomendação Aplicados a WebComo converter visitantes em comprado...Arthur Fortes
O documento discute sistemas de recomendação aplicados à web para converter visitantes em compradores. Apresenta os autores e suas formações, define web 1.0, 2.0 e 3.0, explica o que são sistemas de recomendação e como funcionam, e discute como esses sistemas podem ser aplicados no e-commerce para aumentar conversões, vendas e fidelização de clientes.
Sistemas recomendacao para Marketing e PropagandaMarcel Caraciolo
O documento discute sistemas de recomendação e como eles podem ser usados para melhorar a experiência de compra personalizando ofertas e sugestões para os clientes. Sistemas de recomendação coletam dados sobre preferências de usuários e feedback para fornecer sugestões relevantes que podem levar à fidelização dos clientes.
1) Os documentos e consultas são representados como vetores no modelo de espaço vetorial, onde cada dimensão representa um termo e o valor em cada dimensão é o peso tf-idf do termo.
2) A similaridade entre consultas e documentos é calculada usando o cosseno dos ângulos entre os vetores, em vez da distância euclidiana.
3) Os documentos são classificados de acordo com sua similaridade cosseno em relação à consulta, e os K documentos mais similares são devolvidos como resultado da busca.
Minicurso de 3 dias sobre um pouco da teoria em sistemas de recomendação e uso do framework mahout no desenvolvimento dos mesmos.
Esse minicurso faz parte de um dos trabalhos realizados no projeto de cooperação em sistemas inteligentes em nuvem entre o Instituto Nokia de Tecnologia(INdT) e o Instituto de Computação(IComp) da Universidade Federal do Amazonas(UFAM).
Minicurso de 3 dias sobre um pouco da teoria em sistemas de recomendação e uso do framework mahout no desenvolvimento dos mesmos.
Esse minicurso faz parte de um dos trabalhos realizados no projeto de cooperação em sistemas inteligentes em nuvem entre o Instituto Nokia de Tecnologia(INdT) e o Instituto de Computação(IComp) da Universidade Federal do Amazonas(UFAM).
Conceitos e práticas em Sistemas de RecomendaçãoJoel Pinho Lucas
O documento discute sistemas de recomendação, incluindo técnicas como filtragem colaborativa e baseada em conteúdo, problemas comuns e desafios, e algoritmos como KNN e TF-IDF. Ele também fornece exemplos de casos e recursos para começar a desenvolver sistemas de recomendação.
Técnicas de Mineração de Dados Aplicadas a Sistemas de Recomendaçãosaspi2
Este documento discute a aplicação de técnicas de mineração de dados em sistemas de recomendação. Apresenta os conceitos de sistemas de recomendação, mineração de dados, regras de associação e classificação baseada em associação. Propõe uma metodologia que utiliza algoritmos de classificação baseada em associação fuzzy para validação em um sistema de recomendação.
Slideshare es un sitio web gratuito donde los usuarios pueden subir presentaciones en formato PowerPoint o OpenOffice para compartirlas en línea en formato Flash. Permite subir archivos de hasta 20 MB y compartir las presentaciones a través de enlaces o correo electrónico. Slideshare es útil para docentes para encontrar y compartir material didáctico como apoyo a las lecciones o para que los estudiantes compartan sus trabajos.
Sistemas de Recomendação: Como funciona e Onde Se aplica?Marcel Caraciolo
This document discusses mobile recommender systems. It describes how recommender systems on mobile devices face challenges due to limitations of mobile contexts, such as location and processing capabilities. It presents the workflow and architecture of a mobile restaurant recommendation and navigation system. The system collects and analyzes location-based user data on the server side and provides personalized recommendations to users on their mobile clients. It discusses using context such as location, tags, and implicit feedback for recommendations on mobile.
[Jose Ahirton Lopes] Algoritmos de RecomendacaoAhirton Lopes
O documento discute sistemas de recomendação, incluindo conceitos básicos, tipos como recomendação baseada em conteúdo e filtragem colaborativa, e exemplos como o sistema de recomendação da Netflix. Ele também aborda desafios como escassez de dados e cold start para novos usuários.
[Jose Ahirton Lopes] Algoritmos de Recomendacao IIAhirton Lopes
O documento discute sistemas de recomendação, incluindo seu objetivo de gerar recomendações válidas para usuários, os tipos principais (baseados em conteúdo e filtragem colaborativa), e exemplos como o Netflix.
O documento compara serviços de recomendação, discutindo cinco variáveis chave: 1) Informação e acompanhamento; 2) Estrutura e tipos de recomendação; 3) Gerenciamento das recomendações; 4) Integração e operação; 5) Desenvolvimento e manutenção. A eficácia das recomendações é o aspecto mais importante, mas outros fatores como cobertura geográfica e cuidado com clientes também influenciam a decisão de compra.
Sistemas de Recomendação com Neo4j + SurpriseMorvana Bonin
O documento apresenta um resumo sobre sistemas de recomendação utilizando o banco de dados orientado a grafos Neo4j e a biblioteca Surprise para Python. É descrito que sistemas de recomendação são amplamente utilizados em aplicações de machine learning de negócios e que podem ser baseados em filtragem de conteúdo, colaborativa ou híbridos. Também é explicado que Neo4j é útil para modelar dados conectados e que Surprise permite implementar e avaliar algoritmos de recomendação de forma simples.
Apresentação com o título "IA e Algoritmos de Recomendação - Chatbots além das respostas prontas" feita no evento "Conferência Bots Brasil", maior evento sobre chatbots do Brasil realizado dia 17/11/2018 (http://conf.botsbrasil.com.br/).
O documento discute sistemas de recomendação, definindo-os como algoritmos para recomendar itens relevantes aos usuários. Explica que sistemas de recomendação se baseiam na premissa de que usuários com preferências similares tendem a gostar de itens semelhantes. Também descreve alguns métodos de recomendação como filtragem colaborativa e descoberta de conhecimento.
O documento discute conceitos, implementação e desafios de sistemas de recomendação, incluindo como eles funcionam usando filtragem colaborativa e por conteúdo. Também aborda como empresas como Netflix usam sistemas de recomendação para aumentar vendas e engajamento do usuário.
O documento discute princípios de sistemas de informação, incluindo a diferença entre dados, informação e conhecimento. Também descreve componentes de sistemas como entrada, processamento e saída. Resume os principais SGBDs do mercado como Oracle, SQL Server e MySQL.
Este documento apresenta os conceitos e aplicações de sistemas de informação gerencial para auxiliar os estudantes a compreender melhor o uso de tecnologia da informação nas organizações. Discutem-se tópicos como tipos de informação, sistemas de informação, tomada de decisão e tecnologias emergentes. A metodologia de ensino inclui aulas expositivas, estudos de caso e trabalhos em grupo. A avaliação dos estudantes consiste em provas e trabalhos individuais e em grupo.
Avaliação e Testes em Sist. de Recomendação by Börje Karlsson & Fran MacielFran Maciel
O documento discute avaliação e testes em sistemas de recomendação, abordando aspectos como: 1) métricas para avaliar algoritmos de recomendação; 2) testes da experiência do usuário, considerando fatores subjetivos; 3) uso de contexto para aprimorar recomendações.
O documento apresenta os objetivos da disciplina de Metodologia para Desenvolvimento de Sistemas, que visa conhecer as metodologias utilizadas para desenvolver sistemas computacionais. A bibliografia é apresentada e a avaliação é discutida. O desenvolvimento de sistemas envolve hardware, software, dados e pessoas, requerendo uma metodologia que estabeleça atividades e pontos de controle.
O documento discute técnicas de filtragem colaborativa, começando com os desafios do método, como dispersão de dados e escalabilidade. Em seguida, aborda duas abordagens: model-based, que gera modelos dos dados; e memory-based, que usa os dados brutos. Estuda casos como o Tapestry e compara algoritmos, concluindo que o item-to-item collaboration filtering da Amazon tem melhor desempenho em grandes conjuntos de dados.
Engajando usuários nos portais de conteúdo digital da Globo através de Sistem...Joel Pinho Lucas
O documento discute sistemas de recomendação na Globo, abordando o contexto de recomendações, famílias de algoritmos utilizados como recomendação baseada em item, baseada em usuário e filtragem colaborativa, e desafios como escalabilidade e cold start.
03 - Inteligencia Artificial e Aprendizado de Maquina.pptxIvairLima3
O documento discute sistemas de recomendação, incluindo:
1) Sistemas de recomendação usam algoritmos e análise de dados para fazer recomendações personalizadas aos usuários com base em seus perfis e preferências.
2) A filtragem colaborativa recomenda itens com base nas preferências de usuários similares, enquanto a filtragem baseada em conteúdo analisa os atributos dos itens já consumidos pelo usuário.
3) Sistemas híbridos combinam diferentes abordagens para obter melhores resultados,
1) O documento descreve o planeamento de uma revista júnior de investigação suportada por um sistema de edição eletrónico.
2) O objetivo é desenvolver a consciência científica dos alunos através da publicação dos seus trabalhos de investigação.
3) O sistema de edição eletrónico irá facilitar o processo editorial e envolver escolas, alunos, professores e revisores.
O documento apresenta uma palestra sobre sistemas de recomendação na web. A palestra discute o que são sistemas de recomendação, como eles funcionam, exemplos de sistemas de recomendação, e desafios e tendências na área.
O documento descreve o desenvolvimento de um protótipo para classificar automaticamente opiniões em redes sociais como positivas, muito positivas, negativas, muito negativas ou neutras. O protótipo usa algoritmos de aprendizagem de máquina para analisar textos coletados de APIs do Facebook, Twitter e Google. O processo inclui pré-processamento de texto, modelagem e testes para avaliar a precisão da classificação automática de opiniões.
1) O documento discute sistemas de recomendação, incluindo os componentes básicos e etapas de sistemas de recomendação, como filtragem de informação baseada em conteúdo, filtragem colaborativa e híbrida.
2) Métodos como cosseno e vizinhos mais próximos são usados para medir similaridade entre usuários e itens. Isso permite prever avaliações e fornecer recomendações personalizadas.
3) Métricas como precisão e revocação são usadas para avaliar o qu
O documento descreve motores de busca em redes sociais, comparando-os com motores de busca tradicionais. Apresenta dois exemplos de motores de busca em redes sociais: Aardvark, que usa pessoas como base de conhecimento, e BibSonomy, que indexa recursos sociais como marcadores e tags.
Semelhante a Sistemas Recomendação em Redes Sociais (20)
O documento descreve o Apache Kafka, um sistema de mensagens distribuído e escalável. Ele discute os motivos para usar o Kafka, como funciona, sua arquitetura baseada em tópicos, e como empresas como o LinkedIn usam Kafka para lidar com grandes volumes de dados em tempo real.
[Android] Publish on Google Play & Google AnalyticsNatã Melo
Publish on Google Play and Google Analytics provide essential tools for app developers. Google Play allows developers to register an account, set up merchant accounts, and publish apps. Google Analytics enables developers to monitor user behavior, interactions, payments, and create metrics from reports. It is a vital part of the development process to identify improvements and maximize success.
[Android] Google Service Play & Google MapsNatã Melo
The document discusses setting up and using Google Play services in an Android application. It provides instructions for installing the Google Play services library, connecting to Google services using the GoogleApiClient, and handling connection failures. It also describes how to display different map types, add markers to a Google map, and generate a signing certificate and API key to use the Google Maps Android API.
The document introduces Grails, a web framework for Java that aims to provide high productivity and rapid application development. It discusses how Grails addresses issues like slow development speed and repetitive tasks that developers face with traditional Java web development. Key features highlighted include conventions over configuration, integration with Spring and Hibernate, and a large ecosystem of plugins. Real-world success stories and a vibrant community are also cited.
Este documento descreve um projeto de classificação de estilo de codificação Java usando aprendizado de máquina. O sistema irá aprender os critérios de nota de estilo de um professor e, após o treinamento, sugerir notas para códigos Java de alunos com base no estilo. O projeto envolveu desenvolver um parser para extrair métricas de códigos, experimentar com técnicas de classificação e seleção de atributos no Weka, e implementar uma ferramenta Java para treinar e classificar classificadores.
Este documento apresenta um resumo sobre representação e operações com listas no Prolog. As listas são representadas internamente de forma recursiva com cabeça e corpo. Várias operações são descritas como concatenação, inversão, remoção de elementos e testes para validar a representação. Listas dinâmicas também são abordadas para permitir que listas sejam modificadas durante a execução de um programa.
MATRACA: Ferramenta open source para auxílio a deficientes visuais no uso do ...Natã Melo
O documento descreve a Matraca, uma ferramenta gratuita e open source desenvolvida para auxiliar deficientes visuais no uso do computador. A ferramenta possui editor de texto, sistema de mensagens eletrônicas e calculadora, todos com funcionalidades como síntese de voz. Resultados iniciais mostraram melhorias necessárias e sugestões para versões futuras incluem aprimoramentos de desempenho e de recursos.
O documento descreve a biografia de Bill Gates, cobrindo sua saída da Microsoft em 2008, sua fortuna estimada em US$ 130 bilhões, sua casa avaliada em US$ 150 milhões, e doações filantrópicas que ultrapassam US$ 33,5 bilhões.
O documento descreve a história da Microsoft e de Bill Gates, desde o primeiro produto da empresa, o Altair Basic, passando pela parceria fundamental com a IBM para o lançamento do MS-DOS, até o lançamento do Windows 95 e a saída de Gates da presidência da Microsoft.
O documento descreve a paixão de Bill Gates por computadores desde a infância, seu primeiro emprego como programador ganhando $5,000 por verão, e a fundação da Microsoft com Paul Allen em 1975 para fornecer software para a indústria de computadores em expansão.
Bill Gates nasceu em 1955 em Seattle, EUA. Frequentou a Lakeside School onde teve seu primeiro contato com computadores em 1969. Lá conheceu Paul Allen, seu futuro sócio na Microsoft. O documento descreve a infância, educação e primeiros contatos de Gates com computadores, despertando sua paixão pela área.
O documento apresenta uma palestra sobre a história da Copa do Mundo de futebol, destacando as principais edições e curiosidades. Em três frases ou menos: A palestra aborda a origem do futebol, a fundação da FIFA e o surgimento da Copa do Mundo. Destaca Copas marcantes para o Brasil como 1950, 1958, 1970 e 2002. Apresenta ainda curiosidades como gols, jogadores e partidas históricas.
O documento resume a história, características, plataformas, implementações, licença e módulos da linguagem de programação Python. Foi criada por Guido Van Rossum em 1989 e lançada em 1991, tornando-se uma linguagem de código aberto com ampla utilização.
O documento descreve um projeto acadêmico de um sistema de recomendação de perfis de usuários do Twitter. O sistema usará o histórico de postagens dos usuários na rede social para sugerir amizades com perfis similares. Ele permitirá que os usuários vejam informações básicas dos perfis recomendados e se tornem amigos dentro da própria plataforma.
O documento discute terremotos, explicando que são causados principalmente pelo deslizamento de placas tectônicas e podem gerar danos significativos dependendo da magnitude. Também apresenta medidas de prevenção adotadas no Japão, como construções antissísmicas e treinamentos regulares da população.
1) O documento descreve um estudo sobre a salinidade da água em Pamlico Sound, Carolina do Norte, usando regressão linear múltipla.
2) Foram analisadas quatro variáveis: salinidade quinzenal da água, salinidade duas semanas antes, período e descarga de rios.
3) A análise descritiva incluiu estatísticas descritivas, matriz de correlação e diagramas de dispersão para as variáveis.
Este documento fornece um resumo dos principais conceitos da linguagem de programação Go. Ele discute valores e tipos, armazenamento, associações, abstrações, unidades de programação, sistemas de tipos, sequenciadores e concorrência em Go.
O documento discute a educação a distância. Ele fornece detalhes sobre como a educação a distância surgiu para atender a necessidade de aprendizagem daqueles que não podiam frequentar aulas presenciais, e como as tecnologias evoluíram ao longo do tempo para apoiar esse modelo educacional. Ele também apresenta um caso de uso de um curso online de programação para alunos do ensino médio e discute os pontos positivos e negativos observados nesse curso.
O documento apresenta um resumo sobre teste dirigido por modelos (MDT). Ele discute sobre MBT, MDD, ferramentas como SPACES e MoBIT e integração de MDT com MDD. O foco é na geração automática de casos de teste a partir de modelos de desenvolvimento usando técnicas de MDD.
O documento apresenta a ferramenta de gerenciamento de testes ApTest Manager. Ele discute que a ferramenta permite a integração de equipes, um repositório centralizado, a geração de relatórios e compartilhamento de resultados de teste. Ele também descreve a instalação simples da ferramenta no servidor e cliente.
As classes de modelagem podem ser comparadas a moldes ou
formas que definem as características e os comportamentos dos
objetos criados a partir delas. Vale traçar um paralelo com o projeto de
um automóvel. Os engenheiros definem as medidas, a quantidade de
portas, a potência do motor, a localização do estepe, dentre outras
descrições necessárias para a fabricação de um veículo
PRODUÇÃO E CONSUMO DE ENERGIA DA PRÉ-HISTÓRIA À ERA CONTEMPORÂNEA E SUA EVOLU...Faga1939
Este artigo tem por objetivo apresentar como ocorreu a evolução do consumo e da produção de energia desde a pré-história até os tempos atuais, bem como propor o futuro da energia requerido para o mundo. Da pré-história até o século XVIII predominou o uso de fontes renováveis de energia como a madeira, o vento e a energia hidráulica. Do século XVIII até a era contemporânea, os combustíveis fósseis predominaram com o carvão e o petróleo, mas seu uso chegará ao fim provavelmente a partir do século XXI para evitar a mudança climática catastrófica global resultante de sua utilização ao emitir gases do efeito estufa responsáveis pelo aquecimento global. Com o fim da era dos combustíveis fósseis virá a era das fontes renováveis de energia quando prevalecerá a utilização da energia hidrelétrica, energia solar, energia eólica, energia das marés, energia das ondas, energia geotérmica, energia da biomassa e energia do hidrogênio. Não existem dúvidas de que as atividades humanas sobre a Terra provocam alterações no meio ambiente em que vivemos. Muitos destes impactos ambientais são provenientes da geração, manuseio e uso da energia com o uso de combustíveis fósseis. A principal razão para a existência desses impactos ambientais reside no fato de que o consumo mundial de energia primária proveniente de fontes não renováveis (petróleo, carvão, gás natural e nuclear) corresponde a aproximadamente 88% do total, cabendo apenas 12% às fontes renováveis. Independentemente das várias soluções que venham a ser adotadas para eliminar ou mitigar as causas do efeito estufa, a mais importante ação é, sem dúvidas, a adoção de medidas que contribuam para a eliminação ou redução do consumo de combustíveis fósseis na produção de energia, bem como para seu uso mais eficiente nos transportes, na indústria, na agropecuária e nas cidades (residências e comércio), haja vista que o uso e a produção de energia são responsáveis por 57% dos gases de estufa emitidos pela atividade humana. Neste sentido, é imprescindível a implantação de um sistema de energia sustentável no mundo. Em um sistema de energia sustentável, a matriz energética mundial só deveria contar com fontes de energia limpa e renováveis (hidroelétrica, solar, eólica, hidrogênio, geotérmica, das marés, das ondas e biomassa), não devendo contar, portanto, com o uso dos combustíveis fósseis (petróleo, carvão e gás natural).
Em um mundo cada vez mais digital, a segurança da informação tornou-se essencial para proteger dados pessoais e empresariais contra ameaças cibernéticas. Nesta apresentação, abordaremos os principais conceitos e práticas de segurança digital, incluindo o reconhecimento de ameaças comuns, como malware e phishing, e a implementação de medidas de proteção e mitigação para vazamento de senhas.
Este certificado confirma que Gabriel de Mattos Faustino concluiu com sucesso um curso de 42 horas de Gestão Estratégica de TI - ITIL na Escola Virtual entre 19 de fevereiro de 2014 a 20 de fevereiro de 2014.
2. Agenda
• Contextualização
– Redes
Sociais
– Sistemas
de
Recomendação
(SRs)
• Técnicas
de
Sistemas
de
Recomendação
• SR
baseado
na
similaridade
de
perfis
do
Twi@er
• Recomendação
de
tags
• Sistemas
de
Recomendação
em
Redes
Socais
– Google
+1
– Amigos
DINS
• Considerações
Finais
CST
2011
–
Sistemas
de
Recomendação
2
em
Redes
Sociais
3. Redes
Sociais
• Grupo
de
pessoas
que
tem
algum
nível
de
relação
ou
interesse
mútuo. (Dennis
Altermann)
• ComparQlhamento
de
informações.
• Alto
crescimento.
CST
2011
–
Sistemas
de
Recomendação
3
em
Redes
Sociais
4. Redes
Sociais
• Facebook
– 590
milhões
de
visitantes
únicos
por
mês
– 38,5%
da
Internet
usa
o
Facebook
– 300
milhões
de
pessoas
acessam
diariamente
– Cada
usuário
fica
em
média
25
minutos
no
site
– 700
bilhões
de
minutos
no
total
Dados:
DoubleClick
ad
planner
CST
2011
–
Sistemas
de
Recomendação
4
em
Redes
Sociais
5. Sistemas
de
Recomendação
• Surgimento:
– Aumento
da
quanQdade
de
informação
a
que
o
usuário
tem
acesso.
– Crescente
mudança
no
paradigma
da
Web
social
baseado
no
usuário.
Consumidor
da
informação
AQvo
produtor
de
conhecimento
• ObjeQvo:
reduzir
a
sobrecarga
de
informação
da
Web
por
meio
da
seleção
de
conteúdo
baseada
em
preferências
do
usuário.
CST
2011
–
Sistemas
de
Recomendação
5
em
Redes
Sociais
6. Sistemas
de
Recomendação
• Três
categorias:
– Abordagem
baseada
em
conteúdo
CST
2011
–
Sistemas
de
Recomendação
6
em
Redes
Sociais
7. Sistemas
de
Recomendação
• Três
categorias:
– Abordagem
colaboraQva
– Abordagens
híbridas
CST
2011
–
Sistemas
de
Recomendação
7
em
Redes
Sociais
8. Sistemas
de
Recomendação
• Problema:
– EsQmação
e
forma
das
respostas
do
usuário
CST
2011
–
Sistemas
de
Recomendação
8
em
Redes
Sociais
9. Técnicas
de
Sistemas
de
Recomendação
CST
2011
–
Sistemas
de
Recomendação
em
9
Redes
Sociais
10. Filtragem
baseada
em
conteúdo
(FBC)
• Base:
Comparar
conteúdo
dos
itens
de
forma
a
recomendar
itens
semelhantes
aos
que
o
usuário
gostou
no
passado.
Vetores
formados
pelos
• Algoritmo
TF-‐IDF.
termos
dos
documentos
• Informações
armazenadas
em
forma
textual.
• Problema:
Superespecialização
e
qualidade.
CST
2011
–
Sistemas
de
Recomendação
10
em
Redes
Sociais
11. Filtragem
ColaboraQva
(FC)
• Base:
Gerar
recomendações
a
parQr
da
correlação
entre
usuários.
• Não
apresenta
restrição
quanto
ao
Qpo
dos
dados.
• Vantagens:
ausência
do
problema
de
superespecialização,
qualidade
dos
itens
e
gosto
do
usuário.
• Problemas:
first-‐rater,
startup
e
sparcity.
CST
2011
–
Sistemas
de
Recomendação
11
em
Redes
Sociais
12. Mineração
de
dados
(MD)
• Descoberta
de
Conhecimento
de
Banco
de
Dados
(DCBD).
• Descoberta
de
padrões
num
BD:
– 20%
dos
consumidores
que
compram
fraldas
também
compram
cerveja ;
– 80%
dos
consumidores
que
compram
fraldas
e
cerveja
em
uma
compra,
voltam
para
comprar
carne
e
carvão
na
sexta-‐feira .
CST
2011
–
Sistemas
de
Recomendação
12
em
Redes
Sociais
13. Mineração
de
dados
(MD)
• Regras
associaQvas
Fraldas
Cerveja
Fraldas
e
cerveja
Carne
e
carvão
• Nos
SRs,
faz-‐se
uso
das
regras
associaZvas:
– Pré-‐condições
que
devem
ser
idenQficadas
nos
perfis
dos
usuários,
através
dos
antecedentes
das
regras;
– Itens
que
devem
ser
recomendados,
através
dos
consequentes
CST
2011
–
Sistemas
de
Recomendação
13
em
Redes
Sociais
14. Raciocínio
Baseado
em
Casos
(RBC)
• Metodologia
de
solução
de
problemas
que
baseia-‐se
em
conhecimento
adquirido
anteriormente.
• Armazenado
na
forma
de
casos
(descrição
do
problema
+
solução).
• Funcionamento
de
sistemas
RBC
é
cíclico,
dividido
em
quatro
etapas
principais:
• Recuperação;
• ReuQlização;
• Adaptação;
• Retenção.
CST
2011
–
Sistemas
de
Recomendação
14
em
Redes
Sociais
15. Raciocínio
Baseado
em
Casos
(RBC)
RECUPERAÇÃO
Problema
Casos
Similares
REUTILIZAÇÃO
Casos
Armazenados
RETENÇÃO
Solução
Adaptada
Solução
Sugerida
ADAPTAÇÃO
CST
2011
–
Sistemas
de
Recomendação
15
em
Redes
Sociais
16. Raciocínio
Baseado
em
Casos
(RBC)
• Nos
SRs,
os
itens
a
serem
recomendados
são
tratados
da
mesma
forma
como
são
os
problemas.
• Sistemas
de
Recomendação
baseados
em
Conhecimento
– Guardam
informações
sobre
como
os
itens
a
serem
recomendados
se
adequam
às
necessidades
dos
usuários.
CST
2011
–
Sistemas
de
Recomendação
16
em
Redes
Sociais
17. Aplicações
Recomendação
de
tags
SR
baseado
na
similaridade
de
perfis
no
Twi@er
CST
2011
–
Sistemas
de
Recomendação
em
17
Redes
Sociais
18. Recomendações
de
tags
Propósitos:
Aumentar
chances
de
encontrar
um
documento
postado,
relembrar
ao
usuário
do
que
se
trata
um
documento
e
consolidar
o
vocabulário
por
meio
dos
usuários.
BibSonomy
CST
2011
–
Sistemas
de
Recomendação
em
18
Redes
Sociais
19. Recomendações
de
tags
Folksonomy
Conjunto
de
Tags
Conjunto
de
Conjunto
Documentos
de
Usuários
Usuário
Tag
Documento
CST
2011
–
Sistemas
de
Recomendação
19
em
Redes
Sociais
20. Recomendações
de
tags
• Definição
do
Problema:
Recomendar
para
um
dado
usuário
(
)
e
um
dado
documento
(
),
um
conjunto
de
tags
(
).
• Foco:
Medir
a
relevância
de
tags.
CST
2011
–
Sistemas
de
Recomendação
20
em
Redes
Sociais
21. Recomendações
de
tags
• Usa
Filtragem
ColaboraQva
• Matriz
usuário-‐objeto:
m
usuários
x
n
objetos
CST
2011
–
Sistemas
de
Recomendação
21
em
Redes
Sociais
22. Recomendações
de
tags
Conjunto
dos
k
usuários
mais
similares
a
u
Número
de
vizinhos
a
ser
retornados
CST
2011
–
Sistemas
de
Recomendação
22
em
Redes
Sociais
24. SR
baseado
na
similaridade
de
perfis
no
Twi@er
• ObjeQvo
do
trabalho:
– Implementação
de
uma
aplicação
que
cria
um
perfil
para
o
usuário
e,
a
parQr
dele,
sugere
perfis
que
ele
pode
desejar
visitar.
• A
recomendação
faz
uso
da
descrição
de
um
novo
usuário
e
recomenda
um
outro
que
possui
uma
descrição
similar
à
dele.
CST
2011
–
Sistemas
de
Recomendação
em
24
Redes
Sociais
25. SR
baseado
na
similaridade
de
perfis
no
Twi@er
CST
2011
–
Sistemas
de
Recomendação
em
25
Redes
Sociais
26. SR
baseado
na
similaridade
de
perfis
no
Twi@er
• Nearest
Neighbor
– Método
descrito
nos
anos
50,
mas
ganhou
popularidade
no
início
dos
anos
60,
quando
os
computadores
mais
potentes
surgiram.
– Suponha
um
conjunto
D
de
tuplas
de
treinamento.
Cada
elemento
de
D
é
uma
tupla
(x1,
x2,
...,
xn,
c),
onde
c
é
a
classe
a
qual
pertence
a
tupla
(x1,
x2,
...,
xn),
que
é
considerada
um
ponto
num
espaço
n-‐dimensional.
– Para
saber
a
que
classe
pertence
uma
outra
tupla
Y
=
(y1,
...,
yn),
calculam-‐se
as
distâncias
de
Y
a
todas
as
tuplas
de
treinamento
e
considera
aquela
mais
próxima
de
Y.
CST
2011
–
Sistemas
de
Recomendação
em
26
Redes
Sociais
27. SR
baseado
na
similaridade
de
perfis
no
Twi@er
• Nearest
Neighbor
– Distância
Euclidiana
– Distância
de
cossenos
• qi
é
o
peso
do
termo
i
na
consulta
• di
é
o
peso
do
termo
i
na
consulta
– Pode
haver
uma
normalização
dos
dados.
CST
2011
–
Sistemas
de
Recomendação
em
27
Redes
Sociais
28. SR
baseado
na
similaridade
de
perfis
no
Twi@er
• Mineração
de
Texto
– Processo
de
extrair
padrões
de
textos.
– Trabalha
com
dados
não
estruturados
• Etapa
de
pré-‐processamento:
não
estruturados
à
estruturados
– Representação
dos
documentos
é
feita
baseada
em
três
modelos:
booleano,
probabilísQco
e
vetorial.
CST
2011
–
Sistemas
de
Recomendação
em
28
Redes
Sociais
29. SR
baseado
na
similaridade
de
perfis
no
Twi@er
• Mineração
de
Texto
–
Etapa
de
pré-‐processamento
– Análise
Léxica
– Conversão
entre
caracteres
– Stemming
CST
2011
–
Sistemas
de
Recomendação
em
29
Redes
Sociais
30. SR
baseado
na
similaridade
de
perfis
no
Twi@er
• Mineração
de
Texto
–
Etapa
de
representação
– Atribuição
de
pesos
• Peso
u-‐idf:
(frequência
do
termo)
x
(relevância
de
um
termo
num
documento)
– Organizar
os
termos
de
acordo
com
o
peso
• Ranking
CST
2011
–
Sistemas
de
Recomendação
em
30
Redes
Sociais
31. SR
baseado
na
similaridade
de
perfis
no
Twi@er
• Resultados
obQdos
– Mineração
de
perfis
de
19.365
usuários
diferentes
– Pré-‐processamento
à
Vetor
de
pesos
à
Ranking
à
Dist.
Euclidiana
– Foram
escolhidos
os
k
perfis
que
mostraram
menores
distâncias
em
relação
ao
perfil
em
questão
CST
2011
–
Sistemas
de
Recomendação
em
31
Redes
Sociais
32. Sistemas
de
Recomendação
Google
+1
Amigos
DINS
CST
2011
–
Sistemas
de
Recomendação
em
32
Redes
Sociais
33. Sistemas
de
Recomendação
• Google
– Recomendar
conteúdo
diretamente
nos
resultados
de
pesquisa
ou
através
de
botões
que
poderão
ser
adicionados
em
sites
e
blogs
pela
Web.
– Parecido
com
o
do
Facebook.
CST
2011
–
Sistemas
de
Recomendação
em
33
Redes
Sociais
34. Considerações
Finais
• Importância
dos
Sistemas
de
Recomendação
associados
às
Redes
Sociais
– Reduzir
a
sobrecarga
de
informação
na
Web
• Não
existe
uma
melhor
técnica
para
construir
um
SR
– Depende
do
objeQvo
da
sua
aplicação
• CompeQção
entre
as
Redes
Sociais
existentes
– Quem
ganha
é
o
usuário
final
CST
2011
–
Sistemas
de
Recomendação
34
em
Redes
Sociais
35. Referências
Bibliográficas
• PEREIRA,
D.
Uma
Aplicação
em
Sistemas
de
Recomendação:
Sistema
de
Recomendação
para
Pacotes
GNU/Linux.
• CAZELLA,
S.
C.,
NUNES,
M.
A.
S.
N.,
REATEGUI,
E.
B.
A
Ciência
da
Opinião:
Estado
da
Arte
em
Sistemas
de
Recomendação.
• DE
GEUS,
P.
L.,
FIGUEIRA
FILHO,
F.
M.,
ALBUQUERQUE,
J.
P.
Sistemas
de
Recomendação
e
Interação
na
Web
Social.
• CORUMBA,
D.
M.,
NUNES,
M.
A.
S.
N.,
ARANHA,
C.
N.
Sistema
de
Recomendação
baseado
na
similaridade
de
perfis
do
Twi@er.
• h@p://www.google.com/+1/bu@on/.
ÚlQmo
acesso
em:
31/05/2011.
• Sistemas
de
Recuperação
da
Informação
2011.1,
UFCG.
Prof.
Dr.
Leandro
Balby
Marinho.
CST
2011
–
Sistemas
de
Recomendação
35
em
Redes
Sociais