Explorando o Capital Social em Redes Sociais para Sistemas de Recomendação

As redes sociais são um dos principais expoentes da atualidade para a comunicação, compartilhamento e criação de conteúdo na Web como imagens, notícias, músicas, vídeos, etc. Ainda assim, elas permitem que usuários possam seguir outras contas, gerenciadas por usuários, a fim de consumir conteúdo relacionado aos seus interesses pessoais. Diante disso, considerando um usuário seguir 50 contas que possuem uma frequência de postagem diária de 100 notícias cada uma, como resultado, esse usuário precisará despender tempo suficiente para ler todas as 5000 notícias publicadas. Tendo em vista que apenas 10% dessas notícias possuem alta relevância, torna-se humanamente inviável de ler e filtrar todas as notícias a fim de encontrar apenas o que é relevante. Dessa forma, faz-se necessário a adoção de métodos inteligentes para identificar e filtrar notícias que sejam relevantes aos interesses do usuário alvo. Portanto, esta tese de doutorado propõe um sistema de recomendação que visa explorar o capital social nas redes sociais, a fim de recomendar notícias relevantes ao perfil do usuário ativo. O capital social é explorado através dos recursos disponíveis em cada notícia, como por exemplo, métricas de interação como curtidas, encaminhamentos, os relacionamentos, o texto, entre outros. À vista disso, para avaliar o modelo proposto, um experimento online foi realizado com usuários reais, em que quatro algoritmos foram implementados, dois propostos por este trabalho e dois tradicionais na literatura. Os resultados dos experimentos apontam que os algoritmos propostos apresentam eficácia superior aos métodos tradicionais na literatura entre 10% e 19% diante das métricas de ranking utilizadas.