Search

Resumo Planejar uma viagem, seja como turista ou a trabalho, pode não ser uma tarefa simples. Comprar passagens, encontrar acomodações disponíveis, selecionar lugares para conhecer, todo esse processo pode ser muito exaustivo considerando a quantidade de plataformas online que oferecem serviços no âmbito turístico e a sobrecarga de informações em buscadores na Web. Sistemas de Recomendação entram nesse contexto, para filtrar as informações e sugerir dados relevantes para o usuário. Este artigo propõe um sistema de recomendação de rotas turísticas, que visa auxiliar um viajante a encontrar pontos turísticos relevantes de acordo com suas preferências e interesses. Abstract Planning a trip, whether as a tourist or work, may not be a simple task. Buying tickets, finding accommodations available, and selecting places to visit, this whole process can be very exhausting considering the number of online platforms that offer services in the tourist scope and also the overload of information in web search engines. Recommender Systems enter this context to filter information and suggest relevant data for the user. This article proposes a tourist route recommendation system that aims to help travelers find relevant tourist spots according to their preferences and interests.

Teaching and learning programming is a real challenge for teachers and students. Students starting to code for the first time, feeling stuck when trying to solve a programming exercise is normal, and teachers should support them in this case. The student who works autonomously can create a proactive attitude towards his education. With the current evolution of technology and world events, the remote environment for education is a reality, so tools that can help students, guiding them when they need it, can be important to give them the necessary autonomy.This dissertation proposes a recommendation system that can be integrated into any exercise platform to recognize a partially written code and generate reliable and useful tips (combined with positive feedback) whenever the student needs support, based on a solution previously set by the teacher. This dissertation describes the implementation of such a recommendation system, based on abstract syntax trees and tree editing distance. A system prototype composed of a REST API and a Web frontend was developed as a materialization of the proposed approach. Ensinar e aprender programação é um verdadeiro desafio para professores e alunos. É normal os alunos que começam a codificar pela primeira vez sentirem-se bloqueados ao tentar resolver um exercício de programação, ficando dependentes de ajuda de professores ou alguém mais experiente para progredir. Porém, o aluno que trabalha de forma autónoma pode desenvolver uma atitude proativa em relação à sua educação. Com a atual evolução da tecnologia e os acontecimentos mundiais, o ambiente remoto para educação é uma realidade, e logo, ferramentas que possam auxiliar os alunos, orientando-os quando precisam, podem ser importantes para dar-lhes a autonomia necessária. Esta dissertação propõe um sistema de recomendação que pode ser integrado em qualquer plataforma de exercícios para reconhecer um código parcialmente escrito e gerar dicas confiáveis e úteis (combinadas com feedback positivo) para ajudar no progresso sempre que o aluno precisar de apoio. As dicas são geradas com base numa solução previamente definida pelo professor. Esta dissertação descreve a implementação de tal sistema de recomendação, baseado em árvores de sintaxe abstrata e distância de edição das mesmas. Foi desenvolvido um protótipo de sistema composto por uma API REST e um frontend Web como materialização da abordagem proposta.

Trabalho de Projeto do Mestrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia A diabetes mellitus tipo 2 é a forma mais comum dos três principais tipos de diabetes. Caracteriza-se por ser uma doença crónica que afeta a capacidade do organismo controlar os níveis de glicose no sangue com consequências significativas a curto e longo prazo. Os recentes avanços tecnológicos na área da diabetes, tais como os sistemas de monitorização contínua da glicose, fornecem fontes fiáveis de dados. Este tipo de dispositivos quando acoplados a aplicações smartphone que ajudam e encorajam mudanças no estilo de vida dos pacientes permitem uma maior proximidade com a doença e, consequentemente, melhoram o controlo glicémico, prevenindo potenciais episódios perigosos para a saúde dos indivíduos com esta patologia.A presente tese faz parte do projeto financiado intitulado "POWER - Empowering a digital future". Sendo que, de vários subprojetos integrados, esta insere-se no âmbito da Assisted Living e e-Health. O objetivo é investigar metodologias de inteligência artificial e desenvolver uma plataforma algorítmica para a análise e previsão de sinais fisiológicos, bem como a sua utilização na gestão da diabetes. Portanto, é possível dividir os objetivos desta tese em dois módulos. Um correspondente à previsão dos níveis de glicose para pacientes com diabetes tipo 2, e o outro relativo ao fornecimento de recomendações que incidam sobre os hábitos de vida dos mesmos, utilizando as previsões feitas pelo modulo anterior como suporte.Relativamente ao módulo da previsão, compararam-se diferentes modelos tais como Autoregressive Integrated Moving Average (ARIMA), Case-based reasoning (CBR), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Gated Re- current Unit (GRU) e Jump Neural Network (JNN). Através de um compromisso entre o desempenho do modelo e a complexidade computacional, o modelo RNN foi escolhido como o modelo final. Verificou-se que esta implementação pode ser utilizada para obter resultados satisfatórios no horizonte de previsão (PH) de 2h e 4h. Para a sua utilização num horizonte de 12h, deve observa-se que os resultados não serão os mais adequados. As experiências foram realizadas utilizando os dados de 10 indivíduos registados em condições de vida livre. Destes, utilizámos 3 pacientes, escolhidos aleatoriamente, no conjunto de dados para testar os algoritmos implementados. Os resultados globais para o modelo RNN foram: 34,82 mg/dL para o erro quadrático médio (RMSE) e 18,33% para o erro percentual médio absoluto (MAPE) (PH=2h); 46,59 mg/dL para RMSE e 24,35% para MAPE (PH=4h); 50,19 mg/dL para RMSE e 27,74% para MAPE (PH=12h). Uma das etapas futuras deste projeto consiste em validar os modelos implementados num conjunto de dados recolhidos e fornecidos pelo Centro Hospitalar e Universitário de Coimbra (CHUC). Com estes dados, pretende-se incorporar mais algumas características para além do registo dos valores de glicose, tais como a ingestão de hidratos de carbono e o nível de atividade física. Uma contribuição deste trabalho é o desenvolvimento de um modelo de previsão para pacientes com diabetes tipo 2, cuja existência na literatura é escassa. São necessários mais estudos nesta área para compreender e melhorar os modelos para estes pacientes. Deverão ser feitos mais estudos para identificar quais os horizontes de previsão mais úteis para os pacientes do tipo 2.Já no módulo da recomendação, desenvolveu-se um sistema de recomendação baseado em conhecimento, implementado através de regras extraídas de diretrizes fornecidas pelas principais associações internacionais de diabetes. Todas as regras desenvolvidas foram testadas através da criação de cenários hipotéticos, a fim de verificar que eram sugeridas quando necessário e de forma correta. O trabalho futuro consiste na validação e complementaridade destas regras por parte de uma equipa de endocrinologistas dos CHUC, principalmente no desenvolvimento de novas regras que utilizem os valores obtidos pelo módulo de previsão como input, de modo a criar regras mais personalizadas. A existência da previsão, além de alertar o paciente para a existência de picos de glicose potencialmente perigosos, fornecerá esses valores ao módulo de recomendação. Assim, com base nos futuros valores de glicose previstos, poderão ser sugeridas modificações nas ações do quotidiano dos pacientes. Estas, quando tomadas, devem evitar que os picos previstos sejam atingidos e, assim, ajudar a gerir o valor da glicose na gama saudável.As fases futuras deste projeto, que contarão com a parceria da Altice Labs e do CHUC, serão cruciais para validar e melhorar os módulos desenvolvidos. Uma vez concluídas, a API implementada na plataforma de gestão remota para pacientes diabéticos SmartAL da Altice será atualizada. Type 2 diabetes mellitus is the most common form of the three main types of diabetes. It is a chronic disease affecting the body's ability to control blood glucose levels with significant short and long-term consequences. Recent technological advances in the field of diabetes, such as Continuous Monitoring Devices (CGMs), provide reliable sources of blood glucose data. These types of devices when coupled with smartphone applications that help and encourage lifestyle changes in patients, allow a greater proximity to the disease and consequently improve glycemic control, preventing potentially dangerous episodes to the health of individuals with this pathology.This thesis is part of the funded project entitled "POWER - Empowering a digital future". Of several integrated subprojects, this one falls under the scope of Assisted Living and e-Health. The goal is to investigate artificial intelligence methodologies and develop an algorithmic platform for the analysis and prediction of physiological signals, as well as its use in diabetes management. Therefore, it is possible to divide the objectives of this thesis into two modules. One corresponding to the prediction of glucose levels for patients with type 2 diabetes, and the other related to the provision of recommendations that focus on their lifestyle habits, using the predictions made by the previous module as support.Regarding the forecasting module, different models such as Autoregressive Integrated Moving Average (ARIMA), Case-based reasoning (CBR), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Gated Re- current Unit (GRU) and Jump Neural Network (JNN) were compared. Through a trade-off between model performance and computational complexity, the RNN model was chosen as the final model. It was found that this implementation can be used to obtain satisfactory results in the prediction horizon (PH) of 2h and 4h. For its use in 12h horizon, it should be observed that the results will not be the most adequate. The experiments were performed using data from 10 individuals recorded in free-living conditions. Of these, we used 3 randomly chosen patients in the data set to test the implemented algorithms. The overall results for the RNN model were: 34.82 mg/dL for Root Mean Square Error (RMSE) and 18.33% for Mean Absolute Percentage Error (MAPE) (PH=2h); 46.59 mg/dL for RMSE and 24.35% for MAPE (PH=4h); 50.19 mg/dL for RMSE and 27.74% for MAPE (PH=12h). One of the future stages of this project consists in validating the models implemented in a set of data collected and provided by the Centro Hospitalar e Universitário de Coimbra (CHUC). With these data, it is intended to incorporate some more features in addition to the recording of glucose values, such as carbohydrate intake and level of physical activity. A contribution of this work is the development of a prediction model for patients with type 2 diabetes, whose existence in the literature is scarce. More studies are needed in this area to understand and improve models for these patients. Further studies should be conducted to identify which prediction horizons are most useful for type 2 patients.As for the recommendation module, a knowledge-based recommendation system was developed and implemented using rules extracted from guidelines provided by major international diabetes associations. All developed rules were tested through the creation of hypothetical scenarios, in order to verify that they were suggested when necessary and correctly. Future work consists in the validation and complementarity of these rules by a team of endocrinologists. Mainly, in the development of new rules that use the values obtained by the prediction module as input, in order to create more personalized rules. The existence of the prediction, besides alerting the patient to potentially dangerous glucose peaks, will provide these values to the recommendation module. Thus, based on the predicted future glucose values, modifications to the patients' everyday actions can be suggested. These, when taken, should prevent the predicted peaks from being reached and thus help manage the glucose value in the healthy range.The future stages of this project, which will count on the partnership of Altice Labs and CHUC, will be crucial in validating and improving the modules developed. When completed, the API implemented in Altice's SmartAL remote management platform for diabetic patients will be updated. Outro - Work funded by the project POWER (grant number POCI-01-0247-FEDER-070365), co-financed by the European Regional Development Fund (FEDER), through Portugal 2020 (PT2020), and by the Competitiveness and Internationalization Operational Programme (COMPETE 2020).

The use of predictive machine learning models for big data is today one of the main trends to be explored by data science. Its application to the business world for a search of competitive differential is directly related to Business Intelligence so companies can make more assertive decisions. Thus, this paper proposes to apply a machine learning technique to create a product recommendation system based on customers' purchase profile, modeled for a product distribution company. For this purpose, the K-means clustering algorithm was used to group customers based on their purchase profile. Finally, the recommendation system's principle is based on a comparative analysis between customers in the same cluster and based on their geographic distances to recommend that item that sells well in one point of sales but does not perform so well in another. At the end of the application 70 clusters were generated for the entire range of customers of the company focused in the present study. Each customer in each cluster received a list containing 5 recommended products based on the comparison made with their close neighbors of similar buying profile. O uso de modelos preditivos de machine learning para big data se faz hoje uma das principais tendências a serem exploradas pela ciência de dados. Sua aplicação ao mundo dos negócios na busca por um diferencial competitivo se relaciona diretamente com o Business Intelligence para que assim as empresas passem a tomar decisões mais assertivas. Com isso, o presente artigo propõe-se a aplicar uma técnica de machine learning para a criação de um sistema de recomendação de produtos com base no perfil de compra dos clientes a partir da modelagem em uma empresa distribuidora de produtos. Para tanto foi utilizado o algoritmo de clusterização K-means para realização de agrupamentos dos clientes com base em seu perfil de compra. Por fim, o princípio de funcionamento do sistema de recomendação baseia-se na análise comparativa entre clientes de um mesmo cluster com base em suas distâncias geográficas para assim recomendar aquele item que vende bem em um estabelecimento, mas que não tem o mesmo desempenho em outro. Ao final da aplicação do sistema de recomendação de produtos foram gerados um total de 70 clusters para toda a gama de clientes da empresa foco do estudo. Cada cliente de cada cluster recebeu uma lista contendo 5 produtos recomendados com base na comparação realizada com seus vizinhos próximos de perfil de compra similar.

Dissertação de mestrado em Engenharia Informática, Nas últimas décadas, a tecnologia tem sofrido uma evolução exponencial, assumindo um papel fundamen tal no nosso quotidiano e quando aplicada nas mais diversas áreas proporciona-nos melhorias significati vas na nossa qualidade de vida. Por exemplo, a tecnologia permite-nos fazer compras sem sair de casa, que é um hábito que muitas pessoas têm e nos últimos tempos, devido ao panorama em que nos encon tramos, o seu crescimento tem sido ainda mais notável. Frequentemente, enquanto compramos online, são nos apresentados itens que não têm qualquer interesse para nós. Diante este problema, surgiram os sistemas de recomendação, que se tornaram uma parte fundamental e um dos fatores diferenciadores a nível aplicacional. O principal objetivo de um sistema de recomendação é, recorrendo a algoritmos de Ma chine learning, produzir uma lista de itens ordenados de acordo com o grau de relevância esperado para um determinado utilizador, permitindo, por exemplo, evitar o problema de recomendações indesejadas. Mais especificamente, nesta dissertação desenvolveu-se e incorporou-se um sistema de recomendação numa aplicação web de venda online de livros, onde as técnicas concebidas e implementadas permitiram melhorar a qualidade da recomendação e consequentemente a experiência aplicacional, com sugestões que vão de encontro às preferências do utilizador., In the last decades, technology has undergone an exponential evolution, assuming a fundamental role in our daily lives and when applied in the most diverse areas provides us with significant improvements in our quality of life. For example, technology allows us to shop without leaving home, which is a habit that many people have and in recent times, due to the panorama we find ourselves, its growth has been even more remarkable. Often, when we buy online, most of the items presented are of no interest to us. Faced with this problem, recommendation systems emerged, which became a fundamental part and a differentiating factor at the application level. The main objective of a recommendation system is, using Machine learning algorithms, to produce a list of ordered items according to the degree of relevance expected for a given user, allowing, for example, to avoid the problem of unwanted recommendations. More specifically, in this dissertation a recommendation system was developed and incorporated into a web application for online book sales, where the techniques designed and implemented allowed to improve the quality of the recommendation and consequently the user’s application experience, with suggestions that go according to their preferences.

As compras de supermercado são um dos padrões de compras mais frequentes e regulares e, portanto, coletam imenso volume de dados de clientes online e offline. O alto volume de dados relacionados ao cliente nos retalhistas de supermercado pode levar à abundância de dados com ruído e variáveis irrelevantes ou redundantes e, mesmo com alto volume de dados, poderão faltar informações úteis. O sistema de recomendação no retalho alimentar enfrenta problemas que podem interferir com a sua qualidade, como irrelevância, redundância e interação entre as variáveis. Este projeto foi proposto pela Xarevision, tendo em mente o aprimoramento do Shelf20, um sistema de recomendação capaz de preparar listas de compras personalizadas de supermercado, utilizando um mecanismo baseado em Machine Learning. A Xarevision visa uma redução no tempo de recomendação e uma melhoria na qualidade da recomendação por meio da construção e seleção de variáveis. Idealmente, este projeto permitiria que a Shelf20 fornecesse recomendações melhores e mais rápidas para os clientes. A construção de variáveis permite introduzir mais informação ao conjunto de dados, expandindo o espaço de variáveis e possivelmente facilitando o processo de aprendizagem de algoritmos de Machine Learning. A construção de novas variáveis foi baseada na revisão de literatura na procura de fatores associados consumo no supermercado e com o conhecimento de domínio da Xarevision. A seleção de variáveis é definida como o processo de identificar e selecionar o melhor subconjunto de variáveis, sem perda de informações úteis. Para reduzir a dimensionalidade e diminuir o tempo computacional, três algoritmos foram selecionados, um filter e dois wrappers – Fast Correlation-based Filter, Algoritmo Genético e sequential/floating methods. O primeiro foi realizado no WEKA, enquanto os restantes requisitaram bibliotecas de Python. Para avaliar as variáveis construídas e a qualidade dos algoritmos de seleção de variáveis, foram utilizadas quatro medidas: velocidade do modelo, número de variáveis selecionadas, exatidão e F1-score. Ambos os algoritmos fast correlation-based filter e algoritmo genético mostraram uma melhoria de pelo menos 20% nas medidas de avaliação. Feature Construction and Selection on Grocery Retail Recommender System ix Coimbra Business School | ISCAC Quinta Agrícola – Bencanta, 3045-601 Coimbra Tel +351 239 802 000; E-mail: secretariado@iscac.pt; www.iscac.pt No entanto, os sequential/floating methods não foram aplicados por motivos de incompatibilidade entre tecnologias. O algoritmo de fast correlation-based filter selecionou apenas uma variável porque considerou a mesma como predominante, com maior correlação com a classe, e as restantes variáveis como redundantes quando comparadas à predominante. Mesmo assim, conseguiu melhorar o Shelf20, obtendo um melhor desempenho com uma única variável do que com as 27 variáveis originais. As 10 variáveis com maior correlação com a classe obtiveram ainda melhor resultado, porém a elevada correlação entre as variáveis demonstrou redundância. Todavia uma variável pode não conseguir representar toda a complexidade do comportamento dos consumidores nos supermercados. O algoritmo de fast correlation-based filter forneceu a mesma solução, não importando quais fossem os parâmetros definidos. O algoritmo genético, no seu melhor modelo, selecionou 18 variáveis e teve o melhor resultado de todos os testes, independentemente do algoritmo. Shelf20 tornou-se menos dispendioso computacionalmente e mais preciso com a solução encontrada neste projeto. Em relação às variáveis construídas, todas, exceto uma, demonstraram adicionar informação relevante ao conjunto de dados e, portanto, melhorar sua qualidade. Este projeto conseguiu cumprir o seu objetivo principal: melhorar o Shelf20 enriquecendo o conjunto de dados com novas variáveis e selecionando as variáveis mais relevantes e não redundantes, com recurso à seleção de variáveis, para melhorar o seu desempenho.

O cancro é uma doença caraterizada por mutações no DNA que ocorre a partir de uma multiplicação descontrolada das células, alterando as células normais em células cancerígenas. Estas linhas celulares cancerígenas são manipuladas artificialmente, in vitro, e proliferam indefinidamente mantendo as caraterísticas do tecido de origem, o que as torna uma ferramenta importante para testar a sensibilidade a medicamentos e assim adotar estratégias eficazes de tratamento, potencializando a adoção de uma medicina personalizada. O presente projeto pretende contribuir para a medicina personalizada, e tem como objetivo principal o desenvolvimento de componentes de configuração e treino de algoritmos de Machine Learning num sistema de recomendação de medicamentos anticancerígenos, com base na similaridade das imagens DNA microarray. Para tal, usámos a base de dados Genomics Drug Sensitivity Cancer que é o maior recurso público disponível sobre sensibilidade a medicamentos em células cancerígenas e a base de dados da ArrayExpress que contém imagens DNA em formato microarray das linhas celulares cancerígenas. Validámos a premissa de que linhas celulares cancerígenas com semelhanças no DNA partilham de tratamentos semelhantes, e a partir desta validação prosseguimos então para a construção de dois algoritmos de recomendação, um personalizado e outro não personalizado, capazes de sugerir um conjunto de medicamentos mais eficazes para um determinado paciente, com base na expressão genómica do seu DNA. Os resultados obtidos, apesar de preliminares revelam-se promissores, constituindo uma ferramenta útil para o apoio à decisão clínica e ainda para adoção de novas estratégias para otimizar a terapia medicamentosa com base na informação genómica de cada paciente. Por fim, foi ainda desenvolvida uma API, com o objetivo de disponibilizar os algoritmos construídos no âmbito deste projeto para que os mesmos possam ser utilizados por diferentes aplicações e serem dessa forma disponibilizados ao utilizador final.

Music therapy is an effective tool to slow down the progress of dementia since interaction with music may evoke emotions that stimulates brain areas responsible for memory. This therapy is most successful when therapists provide adequate and personalized stimuli for each patient. This personalization is often hard. Thus, Artificial Intelligence (AI) methods may help in this task. This paper brings a systematic review of the literature in the field of affective computing in the context of music therapy. We particularly aim to assess AI methods to perform automatic emotion recognition applied to Human-Machine Musical Interfaces (HMMI). To perform the review, we conducted an automatic search in five of the main scientific databases on the fields of intelligent computing, engineering, and medicine. We search all papers released from 2016 and 2020, whose metadata, title or abstract contains the terms defined in the search string. The systematic review protocol resulted in the inclusion of 144 works from the 290 publications returned from the search. Through this review of the state-of-the-art, it was possible to list the current challenges in the automatic recognition of emotions. It was also possible to realize the potential of automatic emotion recognition to build non-invasive assistive solutions based on human-machine musical interfaces, as well as the artificial intelligence techniques in use in emotion recognition from multimodality data. Thus, machine learning for recognition of emotions from different data sources can be an important approach to optimize the clinical goals to be achieved through music therapy. La musicoterapia es una herramienta eficaz para ralentizar el progreso de la demencia, ya que la interacción con la música puede evocar emociones que estimulan las áreas del cerebro responsables de la memoria. Esta terapia tiene más éxito cuando el terapeuta proporciona estímulos adecuados y personalizados para cada paciente. Esta personalización suele ser difícil. Por lo tanto, los métodos de Inteligencia Artificial (IA) pueden ayudar en esta tarea. Este artículo trae una revisión sistemática de la literatura en el campo de la computación afectiva en el contexto de la terapia musical. En particular, nuestro objetivo es evaluar los métodos de inteligencia artificial para realizar el reconocimiento automático de emociones aplicado a las interfaces musicales hombre-máquina (HMMI). Para realizar la revisión, realizamos una búsqueda automática en cinco de las principales bases de datos científicas en los campos de la computación inteligente, la ingeniería y la medicina. Buscamos todos los artículos publicados entre 2016 y 2020, cuyos metadatos, título o resumen contengan los términos definidos en la cadena de búsqueda. El protocolo de revisión sistemática resultó en la inclusión de 144 trabajos de las 290 publicaciones devueltas de la búsqueda. A través de esta revisión del estado del arte, fue posible enumerar los desafíos actuales en el reconocimiento automático de emociones. También fue posible darse cuenta del potencial del reconocimiento automático de emociones para construir soluciones de asistencia no invasivas basadas en interfaces musicales hombre-máquina, así como las técnicas de inteligencia artificial que se utilizan en el reconocimiento de emociones a partir de datos multimodal. Por lo tanto, el aprendizaje automático para el reconocimiento de emociones a partir de diferentes fuentes de datos puede ser un enfoque importante para optimizar los objetivos clínicos que se deben lograr a través de la musicoterapia. A musicoterapia é uma ferramenta eficaz para retardar o progresso da demência, uma vez que a interação com a música pode evocar emoções que estimulam as áreas do cérebro responsáveis pela memória. Essa terapia é mais bem-sucedida quando o terapeuta fornece estímulos adequados e personalizados para cada paciente. Essa personalização costuma ser difícil. Assim, métodos de Inteligência Artificial (IA) podem auxiliar nessa tarefa. Este artigo traz uma revisão sistemática da literatura da área de computação afetiva no contexto da musicoterapia. Em particular, pretendemos avaliar métodos de IA para realizar o reconhecimento automático de emoções aplicados a Interfaces Musicais Homem-Máquina (HMMI). Para realizar a revisão, realizamos uma busca automática em cinco das principais bases de dados científicas nas áreas de computação inteligente, engenharia e medicina. Procuramos todos os artigos publicados entre 2016 e 2020, cujos metadados, título ou resumo contenham os termos definidos na string de pesquisa. O protocolo de revisão sistemática resultou na inclusão de 144 trabalhos das 290 publicações retornadas da pesquisa. Através desta revisão do estado da arte, foi possível elencar os desafios atuais no reconhecimento automático de emoções. Também foi possível perceber o potencial do reconhecimento automático de emoções para construir soluções assistivas não invasivas baseadas em interfaces musicais homem-máquina, bem como as técnicas de inteligência artificial em uso no reconhecimento de emoções a partir de dados multimodais. Assim, o aprendizado de máquina para reconhecimento de emoções de diferentes fontes de dados pode ser uma abordagem importante para otimizar os objetivos clínicos a serem alcançados por meio da musicoterapia.

Project Work presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced Analytics Apresenta-se o nome Triangulum como fictício para preservação dos dados da empresa. A empresa Triangulum Comunicação Ltda. é umas das maiores no segmento de comunicação de Portugal, vive o momento que a informação também gera dados e mais dados. Hoje o número de pageviews e o tempo de navegação do utilizador nos sites, são dois dos fatores mais importantes para a receita da Triangulum. Cada utilizador tem suas características de navegação, isso é de extrema relevância para a análise dos dados. Os artigos dos sites visitados têm sempre, ou quase sempre, uma referência, que pode ser um artigo, uma rede social ou até um mecanismo de pesquisa. Com essas informações iremos aplicar modelos de machine learning com o objetivo de fazer recomendações para os próximos artigos a serem lidos, de forma que o utilizador navegue pelos sites, desfrutando do conteúdo, atingindo maior tempo e mais pageviews. A coleta dos dados foi feita pela Triangulum, disponibilizando assim os dados de forma bruta. Após essa etapa de extrair, carregar e transformar, os dados armazenados no data lake são preparados e então partimos para a análise dos dados, será aplicado aos modelos de machine learning para a implementação do sistema de recomendação. O resultado é aplicado a cada artigo de todos os sites da Triangulum, ocupando parte do espaço disponível para as recomendações de leitura. The name Triangulum is presented as fictitious to preserve the company's data. The company Triangulum Communication Ltda. is one of the largest in the media segment in Portugal, experiencing the moment that information also generates data and more data. Today the number of pageviews and the user's time spent browsing the sites are so important for the company's revenue. Each user has their own navigation characteristic, this is extremely important for data analysis. The articles of the visited sites always have, or almost always, a reference, that can be an article, a social network or even a search engine. With this information we will apply machine learning models in order to make recommendations for the next articles to be read, so that the user navigates through the sites, enjoying the content, reaching more time and more pageviews. The data collection was done by the company, thus making the data available in a gross way. After this extract, load, and transform stage, the data stored in the data lake goes through a preparation phase before the data analysis, it will be applied to the machine learning models for the implementation of the recommendation system. The results are applied to each article on all company websites, taking up part of the space available for reading recommendations.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Hoje em dia, a quantidade de consumidores que utilizam sites para realizar compras está aumentando muito, principalmente devido à facilidade e rapidez dessa forma de consumo. Os sites, diferentemente de lojas físicas, podem mostrar qualquer conteúdo existente para os clientes. Nesse contexto, Sistemas de Recomendação (SR) tornaram-se indispensáveis para ajudar os consumidores a encontrar produtos que podem, eventualmente, ser agradáveis ou úteis para eles. Esses sistemas, geralmente, usam técnicas de Filtragem Colaborativa (FC), cuja principal ideia é que os produtos são recomendados para um determinado usuário com base em informações sobre compras e avaliações realizadas no passado, por um grupo de usuários similares ao usuário que está pedindo recomendação. Um dos principais desafios enfrentados por tal técnica é a necessidade de o usuário fornecer algumas informações sobre suas preferências sobre os produtos, a fim de obter novas recomendações do sistema. Quando há itens que não têm avaliações ou que possuem poucas avaliações disponíveis, o sistema de recomendação executa mal. Esse problema é conhecido como problema de partida a frio de itens. Neste trabalho, propomos investigar em que ponto a informação sobre a atenção visual pode ajudar a produzir modelos mais precisos de recomendação. Nós apresentamos uma nova estratégia de FC, denominada IKB-MS, que utiliza atenção visual para caracterizar as imagens e minimizar o problema de partida a frio de itens. A fim de validar essa estratégia, criamos um banco de dados de imagens de roupas e usamos três algoritmos bem conhecidos para a extração da atenção visual dessas imagens. Um extenso conjunto de experimentos mostra que a nossa abordagem é eficiente e supera os SR de FC do estado-da-arte. Nowadays, the amount of customers using sites for shopping is greatly increasing, mainly due to the easiness and rapidity of this way of consumption. The sites, differently from physical stores, can make anything available to customers. In this context, Recommender Systems (RS) have become indispensable to help consumers to find products that may possibly pleasant or be useful to them. These systems often use techniques of Collaborating Filtering (CF), whose main underlying idea is that products are recommended to a given user based on purchase information and evaluations of past, by a group of users similar to the user who is requesting recommendation. One of the main challenges faced by such a technique is the need of the user to provide some information about her preferences on products in order to get further recommendations from the system. When there are items that do not have ratings or that possess quite few ratings available, the recommender system performs poorly. This problem is known as new item cold-start. In this paper, we propose to investigate in what extent information on visual attention can help to produce more accurate recommendation models. We present a new CF strategy, called IKB-MS, that uses visual attention to characterize images and alleviate the new item cold-start problem. In order to validate this strategy, we created a clothing image database and we use three algorithms well known for the extraction of visual attention these images. An extensive set of experiments shows that our approach is efficient and outperforms state-of-the-art CF RS. Dissertação (Mestrado)

Submitted by Diego Corrêa da Silva (diegocorrea.cc@gmail.com) on 2021-12-09T23:55:50Z No. of bitstreams: 1 Diego_Correa_Dissertação_Corrigida_Com_Capa.pdf: 31140859 bytes, checksum: 954b057afba6ccf04ab610b141e421a9 (MD5) Rejected by Solange Rocha (soluny@gmail.com), reason: Prezado boa tarde! O item foi submetido à coleção Dissertações (PGCOMP) como artigo e é uma dissertação de mestrado. Por favor, refazer o depósito na comunidade correspondente - Programa de Pós-Graduação em Ciência da Computação (PGCOMP) na coleção Dissertações (PGCOMP) para darmos continuidade a validação. Grata! on 2021-12-13T18:43:31Z (GMT) Submitted by Diego Corrêa da Silva (diegocorrea.cc@gmail.com) on 2021-12-16T18:29:58Z No. of bitstreams: 1 Diego_Correa_Dissertação_Corrigida_Com_Capa.pdf: 31140859 bytes, checksum: 954b057afba6ccf04ab610b141e421a9 (MD5) Approved for entry into archive by Solange Rocha (soluny@gmail.com) on 2022-01-03T19:31:59Z (GMT) No. of bitstreams: 1 Diego_Correa_Dissertação_Corrigida_Com_Capa.pdf: 31140859 bytes, checksum: 954b057afba6ccf04ab610b141e421a9 (MD5) Made available in DSpace on 2022-01-03T19:31:59Z (GMT). No. of bitstreams: 1 Diego_Correa_Dissertação_Corrigida_Com_Capa.pdf: 31140859 bytes, checksum: 954b057afba6ccf04ab610b141e421a9 (MD5) Previous issue date: 2021-07-01 CAPES Sistemas de recomendação são ferramentas utilizadas para sugerir itens, que possivelmente sejam de interesse dos usuários. Estes sistemas baseiam-se no histórico de preferências do usuário para gerar uma lista de sugestões que possuam maior similaridade com o perfil do usuário, visando uma melhor precisão e um menor erro. É esperado que, ao ser recomendado um item, o usuário informe sua preferência ao sistema, indicando se gostou ou o quanto gostou do item recomendado. A interação do usuário com o sistema possibilita um melhor entendimento de seus gostos, que com o tempo, adiciona mais e mais itens a seu perfil de preferências. A recomendação baseada em similaridade do item com as preferências buscando a melhor precisão pode causar efeitos colaterais na lista como: superespecialização das recomendações em um determinado núcleo de itens, pouca diversidade de categorias e desbalanceamento de categoria ou gênero. Assim, esta dissertação tem como objetivo explorar a calibragem, que é um meio para produzir recomendações que sejam relevantes aos usuários e ao mesmo tempo considerar todas as áreas de suas preferências, buscando evitar a desproporção na lista de recomendação. Para isto, foram abordadas formas de ponderar o balanceamento entre a relevância das recomendações e a calibragem baseada em medidas de divergência, assim como um modelo de sistema calibrado e um protocolo de decisão. A hipótese é que a calibragem pode contribuir positivamente para recomendações mais justas de acordo com a preferência do usuário. A pesquisa foi realizada através de uma ampla abordagem propondo um modelo de sistema e um protocolo de decisão que contempla em seu experimento nove algoritmos de recomendação aplicados nos domínios de filme e música, analisando três medidas de divergência, dois pesos de balanceamento personalizado e dois balanceamentos entre relevância-calibragem. A avaliação foi analisada com métricas amplamente utilizadas, assim como métricas propostas neste trabalho. Os resultados indicam que a calibragem produz efeitos positivos tanto para a precisão da recomendação quanto para a justiça com as preferências do usuário, criando listas de recomendação que respeitem todas as áreas. Os resultados também indicam qual é a melhor combinação para obter um melhor desempenho ao aplicar as propostas de calibragem. Recommendation Systems are tools used to suggest items, which possibly will be interesting to the users. These systems are based on the user’s preference historic to generate a suggestion list that has higher similarity with the items in the user’s historic, providing a better precision and minor error. It is expected that when an item is recommended, the user will send a feedback, indicating if he/she likes or dislikes the recommendation. The user interaction with the system provides a better way to understand the preferences of the user, who, over time, adds more and more itens in its profile. The recommendation based on item similarity with the user preference searching for better precision, can cause collateral effects in the recommendation list, such as: superspecialization of the items in the list with a little kernel of items, few diversity of categories and unbalanced genres. Thus, this dissertation aims to explore the calibration, which is a way to produce recommendations that will be relevant to the users and at the same time considering all genres in the preferences, trying to avoid a misproportion in the recommendation list. To this end, ways are addressed to weight the tradeoff between the relevance of the recommendations and the calibration based on divergence measures, as well as a calibrated system framework and decision protocol. The hypothesis are that calibration can contribute positively to provide more fairer recommendations. The research is accomplished with a large approach proposing a framework and a decision protocol that contemplates nine recommender algorithms applied on the domains of movie and music, analysing three divergence measures, two personalized tradeoff weights and two tradeoff formulations between relevance-calibration. The evaluation is analysed with well-known metrics, as well as proposed metrics. The results indicate that the calibration produces positive effects to the precision and to the fairness, creating a recommendation list that respects the genre distribution. The results also indicate which is the best system combination to obtain a better performance when applying the proposed calibration

Submitted by Maria Helena Ribeiro (helena.ribeiro@lisboa.ucp.pt) on 2021-10-26T07:22:24Z No. of bitstreams: 1 152119120_Daniel Lengyel_DPDFA.pdf: 976960 bytes, checksum: b5b203f1814d9bfd000f98a90c80ccba (MD5) Made available in DSpace on 2021-10-26T07:22:25Z (GMT). No. of bitstreams: 1 152119120_Daniel Lengyel_DPDFA.pdf: 976960 bytes, checksum: b5b203f1814d9bfd000f98a90c80ccba (MD5) Previous issue date: 2021-06-29

Dissertação de mestrado integrado em Engenharia Informática, E-commerce is constantly expanding, leading to greater market competitiveness. The number of online platforms offering products or services is increasing; so there is a growing need for companies to stand out from the competition, which leads to the application of various marketing strategies. However, not all are adequate and mismanagement, as well as a bad investment of these strategies, may prejudice companies. Hence the implementation of recommendation systems in e-commerce platforms, as a safe and economical strategy. By investing in a good recommendation mechanism, one can provide better user experience, taking his interests into account. As a result, more traffic on the platforms is ensured, which may result in a higher sales rate and, consequently, a higher number of revenues. However, to develop a recommendation system, the first step must consist in obtaining information about the sales platform, where data about its users and products/services form the basis of recom mendations. But not all information is useful, which can influence the accuracy of the forecasting models used by the system to produce results. Following this perspective, a data analysis methodology is proposed, as well as an architecture of a recommendation system, which allows to extract and treat relevant data, in order to integrate a recommendation engine for most e-commerce platforms., O comércio eletrónico (e-commerce) está em constante expansão, o que leva a uma maior competitividade no mercado. Existem cada vez mais plataformas de venda online e, consequentemente, há uma crescente necessidade das empresas se destacarem da concorrência, o que leva à aplicação das mais variadas estratégias de marketing. Porém, nem todas são adequadas e uma má gestão e investimento destas estratégias pode causar prejuízo às empresas. Daí surge a implementação de sistemas de recomendação nas plataformas de venda, como uma estratégia segura e económica. Ao investir num bom mecanismo de recomendação, é possível proporcionar uma melhor experiência para o utilizador, tendo em conta os seus interesses. Desta forma, assegura-se um maior tráfego nas plataformas, o que poderá resultar numa maior taxa de vendas e, consequentemente, num maior número de receitas. No entanto, para desenvolver um sistema de recomendação é necessário, em primeiro lugar, obter informação sobre a plataforma de vendas, onde os dados sobre os seus utilizadores e produtos/serviços constituem a base das recomendações. Mas nem toda a informação é útil, o que pode influenciar a acurácia do modelos de previsões utilizado pelo sistema. Seguindo esta perspetiva, propõe-se uma metodologia de análise de dados, assim como uma arquitetura de um sistema de recomendação, que permitam extrair e tratar dados relevantes de modo a integrar um motor de recomendação para a generalidade das plataformas de e-commerce.

Grandes volumes de dados, referidos como Big Data, são gerados diariamente a uma taxa sem precedentes, a partir de fontes heterogéneas (e.g., meio ambiente, saúde, governo, redes sociais, marketing, transações financeiras). As novas tendências tecnológicas atuais, incluindo a Internet das Coisas (IoT – Internet of Things), a proliferação da Cloud Computing e a massificação dos dispositivos inteligentes (e.g., smartphones, smartwatches, dispositivos pervasivos e ubíquos), têm contribuído para esta explosão de dados. Como infraestrutura de suporte têm-se sistemas e aplicações distribuídos(as), públicos(as) e privados(as), interligados por redes de comunicação eletrónica de banda larga e elevado desempenho, normalmente com interface web. Os Sistemas de Recomendação são sistemas que procuram facilitar a penosa atividade de busca por conteúdo de interesse no Big Data. As principais funções dos Sistemas de Recomendação são a análise das diversas ações do utilizador do sistema. Com essa análise é possível extrair informações úteis para futuras predições, fornecendo recomendações de diferentes itens (e.g., sugestões de músicas, filmes, conteúdos de comércio eletrónico). Existem diferentes variantes nos sistemas de recomendação, nomeadamente, sistemas de filtragem colaborativa de classificações (ratings), filtragem baseada em conteúdo dos itens (e.g., descrição, características) ou de filtragem híbrida (que combinam as duas aproximações anteriores), tendo todos por objetivo a seleção de conteúdos de interesse tendo em conta os padrões de consumo dos utilizadores. O trabalho desenvolvido consistiu na implementação e validação de um protótipo de um Sistema de Recomendação de Conteúdos de Aplicações web, aplicado à recomendação de filmes. Para tal, utilizaram-se os MovieLens Datasets offline de ratings disponibilizados, pelo GroupLens, bem como informação disponibilizada online pelo site do TMDb. O sistema desenvolvido aprende o padrão de consumo de conteúdos do utilizador, prevendo o que irá consumir no futuro com base nos itens similares aos que demonstrou interesse (classificou) no passado, bem como na similaridade com outros utilizadores (que constituem a sua vizinhança) e assim fornecer os respetivos conteúdos de interesse, permitindo criar um modelo de utilizador. Utilizaram-se as técnicas de Filtragem Baseada em Conteúdo, Filtragem Colaborativa e Filtragem Híbrida baseadas em memória. A Filtragem Baseada em Conteúdo permite através da análise das caraterísticas dos itens, essencialmente baseadas na metodologia TFIDF para o processamento de linguagem natural (NLP), extrair as características ou atributos fundamentais dos itens e selecionar itens semelhantes ou propor classificações previstas para os itens de interesse ainda não classificados pelo utilizador ativo. A Filtragem Colaborativa permite aplicar a metodologia kNN, para identificar a semelhança entre o utilizador ativo, situados na vizinhança e propor classificações previstas para itens de interesse ainda não classificados. Ambas as aproximações têm inconvenientes e vantagens. A filtragem baseada em conteúdo, tende a especializar muito as recomendações em torno das características dos itens e, eventualmente, do utilizador ativo, uma vez que não tem em atenção os gostos dos restantes utilizadores do sistema. A filtragem colaborativa, essencialmente, tem a desvantagem do cold start, isto é, os problemas associados à admissão de novos utilizadores ou novos itens no sistema. Naturalmente que os inconvenientes de uma aproximação são as vantagens da outra e vice-versa. A Filtragem Híbrida combina as duas metodologias de forma a ultrapassar os seus inconvenientes podendo também seguir várias abordagens. No caso deste trabalho foi seguida uma abordagem weighted, permitindo uma combinação linear das filtragens colaborativas e baseada em conteúdo. Na avaliação experimental, os resultados obtidos foram relevantes em termos empíricos, coincidentes com os resultados apresentados em estudos semelhantes e validados com as métricas estatísticas MAE e RMSE. O protótipo de Sistema de Recomendação desenvolvido poderá evoluir para um sistema de recomendação de produção, sendo adaptável para outros conteúdos de aplicações web. ABSTRACT: Large volumes of data, referred to as Big Data, are generated daily at an unprecedented rate, from heterogeneous sources (e.g., environment, health, government, social networks, marketing, financial transactions). Current new technological trends, including the Internet of Things (IoT), the proliferation of Cloud Computing and the smart devices generalization (e.g., smartphones, smartwatches, pervasive and ubiquitous devices), have contributed to this data explosion. As support infrastructure there are distributed, public and private systems and applications, interconnected by high-performance and high-performance electronic communication networks, usually with a web interface. Recommender Systems are systems that seek to facilitate the painful activity of searching for content of interest in Big Data. The main functions of the Recommendation Systems are the analysis of the various actions of the system user. With this analysis it is possible to extract useful information for future predictions, providing recommendations for different items (e.g., music suggestions, films, e-commerce content). There are different variants in the recommender systems, namely, ratings collaborative filtering systems, content-based filtering systems (e.g., items’ description or characteristics) or hybrid filtering (which combine the two previous approaches), all aiming at the selection of content of interest considering the consumption patterns of users. This work consisted of the implementation and validation of a prototype of a web Content Application Recommender System, applied to movies recommendation. To this end, we used the offline MovieLens Datasets of ratings made available by GroupLens, as well as information made available online by the TMDb website. The developed system learns the pattern of consumption of user content, predicting what it will consume in the future based on items like those it has shown interest in (rated) in the past, as well as similarity with other users (who constitute its neighborhood) and thus providing the respective contents of interest, allowing to create a user model. Memory-based Content-based filtering, collaborative filtering and hybrid filtering techniques were used. Content-Based Filtering allows, through the analysis of the characteristics of the items, essentially based on the TF-IDF methodology for natural language processing (NLP), to extract the fundamental characteristics or attributes of the items and select similar items or propose predicted ratings for the items of interest not yet classified by the active user. Collaborative Filtering allows applying the kNN methodology, to identify the neighborhood similarity to the active user, and to propose predicted ratings for items of interest not yet classified. Both approaches have problems and advantages. Content-based filtering tends to specialize the recommendations around the characteristics of the items and the active user, since it does not consider the tastes of the other users of the system. Collaborative filtering, essentially, has the disadvantage of cold start, that is, the problems associated with the admission of new users or new items in the system. Naturally, the drawbacks of one approach are the advantages of the other and vice versa. Hybrid Filtering combines the two methodologies to overcome its drawbacks and can also follow several approaches. In the case of this work, a weighted approach was followed, allowing a linear combination of collaborative and contentbased filtering. In the experimental evaluation, the results obtained were relevant in empirical terms, coinciding with the results presented in similar studies and validated with the statistical metrics MAE and RMSE. The developed Recommendation System prototype can evolve into a production recommender system, being adaptable to other web application content.

Este artigo tem como objetivo apresentar uma avaliação da recomendação pedagógica da plataforma de vídeos YouTube Edu, que indica vídeos educacionais ao usuário de acordo com o seu perfil. Utilizou-se como metodologia a pesquisa quantitativa, a coleta dos dados foi realizada com professores da educação infantil, ensino médio e superior. A análise descritiva dos resultados evidenciou que, a maioria dos professores considera os vídeos adequados e de boa qualidade, porém não usariam o material em suas disciplinas. As conclusões apontam inconsistências no modelo de recomendação, tendo em vista que, apesar de ser uma plataforma com uma proposta pedagógica, a filtragem de vídeos para reprodução automática de acordo com o perfil do usuário, reporta à plataforma genérica (YouTube), cujo conteúdo não se relaciona à educação. Além disso, os professores consideram que os vídeos não trazem contribuições significativas e por este motivo não se sentiram motivados a se engajarem no canal., This article aims to present the evaluation of the pedagogical recommendation of the YouTube Edu video platform, which indicates educational videos to the user according to their profile. The methodology used was the quantitative research, from the evaluation of the pedagogical recommendation of teachers of elementary school, high school and higher education. The descriptive analysis of the results showed that most teachers consider the videos appropriate and of good quality, but would not use the material in their subjects. The conclusions point to inconsistencies in the recommendation model, considering that, despite being a platform with a pedagogical proposal, the filtering of videos for automatic playback according to the user's profile, reports to the generic platform (YouTube), whose content is not related to education. In addition, teachers consider that the videos do not bring significant contributions and for this reason did not feel motivated to engage in the channel., Facultad de Informática

CNPq Cursos Online Abertos e Massivos (MOOC, em inglês) podem disponibilizar oportunidades educacionais e experiências de aprendizagem para um público global, por meio da combinação dos avanços tecnológicos recentes e a aprendizagem mediada pela tecnologia. Em geral, eles são considerados cursos virtuais que não exigem qualificações prévias para a entrada, podendo ser acessados por qualquer pessoa e atraem um público diversificado, com uma variedade de experiências e qualificações profissionais. Em cursos deste tipo, a colaboração é essencial para desenvolver habilidades sociais e individuais através do compartilhamento de ideias, criando situações em que um pode contribuir com o outro, por meio de interações pautadas na troca de saberes. Desta maneira, pode-se incentivar os alunos a se engajarem na aprendizagem ao longo da vida. Entretanto, o envolvimento e a participação ativa nestes cursos não ocorrem como o esperado uma vez que não se consideram as necessidades particulares dos alunos, o que os desmotiva e gera fracas relações sociais entre eles. Como o uso crescente de MOOC gerou um volume de dados que, se explorados adequadamente, podem fornecer uma compreensão da interação dos alunos, é possível identificar estratégias que podem ser usadas no processo de construção compartilhada de conhecimento. Assim, o objetivo desta tese é apresentar um Framework de Colaboração em MOOC, denominado MOOColab, que foi desenvolvido e implementado para promover uma maior interação entre os alunos, a partir da recomendação de pares no ambiente virtual. Para alcançar esse objetivo, a pesquisa seguiu diretrizes de Design Science e contemplou dois ciclos de investigação. No primeiro ciclo foi desenvolvido um protótipo que foi avaliado por docentes e profissionais de Educação a Distância e onde foram constatadas evidências de que o Framework contribui positivamente para a interação e construção coletiva do conhecimento. A partir dessas evidências, no segundo ciclo da investigação, foi desenvolvido o MOOColab por meio da implementação de recursos de Learning Analytics (LA) e da recomendação de pares no ambiente. Além disso, o Framework possui um dashboard que possibilita que o professor acompanhe o progresso do aluno em um curso de forma individual ou coletiva. Para validar o Framework foi realizado um experimento cujos resultados indicam que o MOOColab apresentou um impacto positivo no processo de aprendizagem. Massive Open Online Courses (MOOC) may offer educational opportunities and learning experiences to a global audience, through the combination of recent technological advances and technology-mediated learning. In general, they are virtual courses that do not require prior qualifications for entry, can be accessed by anyone and attract a diverse audience, with a variety of experiences and professional qualifications. In such courses, collaboration is essential to develop social and individual skills through the sharing of ideas, creating situations in which one can contribute with the other, through interactions based on the exchange of knowledge. Thus, students can be encouraged to engage in lifelong learning. of life. However, the involvement and active participation in these courses does not occur as expected since the students' individual needs are not considered, discouraging them and generating weak social relations between them. As the increasing use of MOOC has generated a volume of data that, if properly explored, can provide an understanding of how students interact throughout their learning, it is possible to identify strategies that can be used in the process of building knowledge in a shared way. Thus, the objective of this thesis is to present a Collaboration Framework in MOOC called MOOColab that was developed and implemented to enhance the interaction between students, based on the recommendation of peers in the virtual learning environment. To achieve this goal, the research followed Design Science guidelines and was carried out in two research cycles. In the first cycle, a prototype was developed, which was evaluated by Distance Education professionals and where evidence was found that the Framework has a positive contribution to stimulating participation as well as to the collective construction of knowledge. Based on this evidence, in the second cycle, MOOColab was developed through the implementation of Learning Analytics (LA) resources and the recommendation of peers in the environment. In addition, the Framework has a dashboard that allows the teacher to monitor individual or collective progress in a course. To validate the Framework, an experiment was carried out. The results yielded indicate that MOOColab had a positive impact on the learning process.

Sistemas de recomendação fazem parte do nosso dia-a-dia. Os métodos usados nesses sistemas tem como objetivo principal predizer as preferências por novos itens baseado no perĄl do usuário. As pesquisas relacionadas a esse tópico procuram entre outras coisas tratar o problema do cold-start do usuário, que é o desaĄo de recomendar itens para usuários que possuem poucos ou nenhum registro de preferências no sistema. Uma forma de tratar o cold-start do usuário é buscar inferir as preferências dos usuários a partir de informações adicionais. Dessa forma, informações adicionais de diferentes tipos podem ser exploradas nas pesquisas. Alguns estudos usam informação social combinada com preferências dos usuários, outros se baseiam nos clicks ao navegar por sites Web, informação de localização geográĄca, percepção visual, informação de contexto, etc. A abordagem típica desses sistemas é usar informação adicional para construir um modelo de predição para cada usuário. Além desse processo ser mais complexo, para usuários full cold-start (sem preferências identiĄcadas pelo sistema) em particular, a maioria dos sistemas de recomendação apresentam um baixo desempenho. O trabalho aqui apresentado, por outro lado, propõe que novos usuários receberão recomendações mais acuradas de modelos de predição que já existem no sistema. Nesta tese foram propostas 4 abordagens para lidar com o problema de cold-start do usuário usando modelos existentes nos sistemas de recomendação. As abordagens apresentadas trataram os seguintes aspectos: o Inclusão de informação social em sistemas de recomendação tradicional: foram investigados os papéis de várias métricas sociais em um sistema de recomendação de preferências pairwise fornecendo subsidíos para a deĄnição de um framework geral para incluir informação social em abordagens tradicionais. o Uso de similaridade por percepção visual: usando a similaridade por percepção visual foram inferidas redes, conectando usuários similares, para serem usadas na seleção de modelos de predição para novos usuários. o Análise dos benefícios de um framework geral para incluir informação de redes de usuários em sistemas de recomendação: representando diferentes tipos de informação adicional como uma rede de usuários, foi investigado como as redes de usuários podem ser incluídas nos sistemas de recomendação de maneira a beneĄciar a recomendação para usuários cold-start. o Análise do impacto da seleção de modelos de predição para usuários cold-start: a última abordagem proposta considerou que sem a informação adicional o sistema poderia recomendar para novos usuários fazendo a troca entre os modelos já existentes no sistema e procurando aprender qual seria o mais adequado para a recomendação. As abordagens propostas foram avaliadas em termos da qualidade da predição e da qualidade do ranking em banco de dados reais e de diferentes domínios. Os resultados obtidos demonstraram que as abordagens propostas atingiram melhores resultados que os métodos do estado da arte. Recommender systems are in our everyday life. The recommendation methods have as main purpose to predict preferences for new items based on userŠs past preferences. The research related to this topic seeks among other things to discuss user cold-start problem, which is the challenge of recommending to users with few or no preferences records. One way to address cold-start issues is to infer the missing data relying on side information. Side information of different types has been explored in researches. Some studies use social information combined with usersŠ preferences, others user click behavior, location-based information, userŠs visual perception, contextual information, etc. The typical approach is to use side information to build one prediction model for each cold user. Due to the inherent complexity of this prediction process, for full cold-start user in particular, the performance of most recommender systems falls a great deal. We, rather, propose that cold users are best served by models already built in system. In this thesis we propose 4 approaches to deal with user cold-start problem using existing models available for analysis in the recommender systems. We cover the follow aspects: o Embedding social information into traditional recommender systems: We investigate the role of several social metrics on pairwise preference recommendations and provide the Ąrst steps towards a general framework to incorporate social information in traditional approaches. o Improving recommendation with visual perception similarities: We extract networks connecting users with similar visual perception and use them to come up with prediction models that maximize the information gained from cold users. o Analyzing the beneĄts of general framework to incorporate networked information into recommender systems: Representing different types of side information as a user network, we investigated how to incorporate networked information into recommender systems to understand the beneĄts of it in the context of cold user recommendation. o Analyzing the impact of prediction model selection for cold users: The last proposal consider that without side information the system will recommend to cold users based on the switch of models already built in system. We evaluated the proposed approaches in terms of prediction quality and ranking quality in real-world datasets under different recommendation domains. The experiments showed that our approaches achieve better results than the comparison methods. Tese (Doutorado)

Submitted by Maicon Juliano Schmidt (maicons) on 2020-08-10T18:13:14Z No. of bitstreams: 1 Paulo Ricardo Muniz Barros_.pdf: 5805562 bytes, checksum: d04c5377abae0b7cf852acfe4cabd029 (MD5) Made available in DSpace on 2020-08-10T18:13:14Z (GMT). No. of bitstreams: 1 Paulo Ricardo Muniz Barros_.pdf: 5805562 bytes, checksum: d04c5377abae0b7cf852acfe4cabd029 (MD5) Previous issue date: 2020-04-17 Nenhuma Este estudo tem como objetivo a construção de um sistema de recomendação para apoiar o desenvolvimento do pensamento crítico no ensino em saúde, fazendo uso de estratégias de recomendação atuais, e que possibilite auxílio no processo de ensino e aprendizagem. Para isso, inicialmente foi realizado um levantamento bibliográfico sobre simuladores para o apoio ao ensino em saúde de forma mais ampla, aprofundando na categoria específica de educação em saúde, tendo sido apresentados alguns exemplos e uma descrição completa do ambiente que será utilizado como caso de estudo. Em uma segunda etapa, foram realizados levantamentos bibliográficos sobre sistemas de recomendação, os quais serviram de subsídio balizador para o presente estudo. Com o intuito de obter o estado da arte sobre sistemas de recomendação, em uma terceira etapa foi realizada uma revisão sistemática, que possibilitou buscar as principais técnicas, modelos de avaliação, bem como base de dados utilizadas para avaliação. Sendo assim, foi possível propor um sistema de recomendação embasado em uma teoria que tem como propósito o desenvolvimento de habilidade do pensamento crítico. A partir disto, foi possível desenvolver uma série de experimentos com focos e abordagens distintas para avaliar o sistema proposto, tendo o primeiro experimento como foco avaliar as técnicas de recomendação tradicionais utilizadas; o segundo, objetivando validar o protótipo em uma abordagem denominada offline; e o terceiro experimento, por fim, objetivou integrar o primeiro experimento com o segundo, colocando em prática o sistema de recomendação proposto nesta tese. O quarto e último experimento tiveram como enfoque avaliar a experiência dos usuários frente ao simulador. Os resultados obtidos indicam por meio de um especialista que o sistema proposto apresenta potencial para apoiar no processo de ensino e aprendizagem com o uso de simuladores do tipo paciente virtual, visto que as recomendações podem fundamentar o aluno frente ao seu processo de ensino. This research aims to build a recommendation system to support the development of critical thinking and clinical reasoning in health education, making use of current recommendation strategies, which allows assistance in the teaching and learning process. For this, a bibliographic survey on simulators was carried out to support health education more broadly. A second step, bibliographic research on recommendation systems was carried out for reasoning this study. In order to obtain the state of the art in recommendation systems, in a third stage a systematic review was carried out, which made it possible to search for the main techniques, assessment models. Thus, it was possible to propose a recommendation system based on a theory that aims to develop critical thinking and clinical reasoning skills. From this, it was possible to develop a experiments with different approaches and to evaluate the proposed system, the first being to evaluate the traditional recommendation techniques used, the second aiming to validate the prototype in an approach called offline, while the third experiment aims to integrate the first and the second, that is, to put into practice the recommendation system proposed in this work. The fourth and final experiment aimed to evaluate the users' experience with the simulator. The results selected through a specialist or proposed system have potential for the teaching and learning process using simulators of the type of virtual patient, since the requests can help the student to follow the teaching process.

Os Sistemas de Recomendação (SR) utilizam diferentes técnicas de filtragem para selecionar informações úteis ao usuário, de acordo com as suas necessidades. Portanto, considerando o crescente aumento no volume de dados disponíveis na rede, os SR podem colaborar com a redução do tempo despendido pelo sujeito na busca por materiais relevantes. Na educação esses sistemas são capazes de apoiar o processo de aprendizagem, personalizando os ambientes de ensino. Logo, a presente tese tem como objetivo construir um Modelo Pedagógico (MP_SRecEdu) para disciplinas da graduação, com base em Sistemas de Recomendação Educacionais (SRE). Assim, o professor poderá planejar uma atividade de ensino utilizando um SRE, que irá indicar um ou mais elementos do modelo, de acordo com o perfil dos estudantes, resultando em um espaço de aprendizagem adaptativo. Para isso, o texto aprofunda o estudo sobre os conceitos de SR, Modelos Pedagógicos (MP) e Recomendação Pedagógica (RecPed). A pesquisa caracteriza-se como exploratória, de abordagem qualitativa, com a análise de estudos de caso múltiplos, e está organizada em cinco etapas metodológicas. A primeira etapa trata da elaboração de um referencial teórico sobre Modelos Pedagógicos e Sistemas de Recomendação. Na segunda etapa foram construídos e avaliados, por meio de aplicações em disciplinas da graduação, três Modelos Pedagógicos, que utilizam ferramentas de recomendação diferentes, a saber: 1. Recomendador de Objetos de Aprendizagem baseado em Competências (RecOAComp), 2. Recomendador de conteúdo do Editor de Texto Coletivo (RecETC) e o 3. Recomendador de estratégias pedagógicas, do Mapa Social no Ambiente Virtual de Aprendizagem ROODA. Na etapa três verificou-se modificações nos modelos, para uma nova aplicação e análise. Desse modo, na etapa quatro foram realizados três novos estudos de caso, e então, na etapa cinco, com base nas aplicações e avaliações dos mesmos, foi possível construir um MP baseado em SRE. O MP_SRecEdu tem como finalidade apoiar os professores na organização e planejamento de atividades de ensino, que utilizam os SRE em disciplinas de graduação, criando espaços de aprendizagem dinâmicos e personalizados segundo as necessidades do perfil de cada estudante. Recommendation Systems (SR) use different filtering techniques to select useful information for the user, according to their needs. Therefore, considering the growing increase in the volume of data available on the network, the SR can collaborate with the reduction of the time spent by the user in the search for relevant materials. In education, these systems are able to support the learning process, personalizing the teaching environments. As a result, this thesis aims to build a Pedagogical Model (MP_SRecEdu) for undergraduate courses, based on Educational Recommendation Systems (ERS). Thus, the professor will be able to plan a teaching activity using an ERS, which will indicate one or more elements of the model, according to the profile of the students, resulting in an adaptive learning space. In order to do that, the text deepens the study on the concepts of SR, Pedagogical Models (MP) and Pedagogical Recommendation (RecPed). The research is characterized as exploratory, with a qualitative approach, with the analysis of multiple case studies, and is organized in five methodological stages. The first stage deals with the development of a theoretical framework on Pedagogical Models and Recommendation Systems. In the second stage, three Pedagogical Models were built and evaluated, using applications in undergraduate disciplines, using different recommendation tools, namely: 1. Competency Based Learning Object Recommender (RecOAComp), 2. Collective Text Editor Content Recommender (RecETC) and 3. The Social Map Pedagogical Strategies Recommender in the Virtual Learning Environment ROODA. In step three, modifications in the models were verified, for a new application and analysis. Thus, in step four, three new case studies were carried out, and then, in step five, based on their applications and evaluations, it was possible to build a PM based on SRE. MP_SRecEdu aims to support professors in the organization and planning of teaching activities, which use ERS in undergraduate courses, creating dynamic and personalized learning spaces according to the needs of each student's profile

A natureza molecular do cancro serve de base para estudos sistemáticos de genomas cancerígenos, fornecendo valiosos insights e permitindo o desenvolvimento de tratamentos clínicos. Acima de tudo, estes estudos estão a impulsionar o uso clínico de informação genómica na escolha de tratamentos, de outro modo não expectáveis, em pacientes com diversos tipos de cancro, possibilitando a medicina de precisão. Com isso em mente, neste projeto combinamos técnicas de processamento de imagem, para aprimoramento de dados, e sistemas de recomendação para propor um ranking personalizado de drogas anticancerígenas. O sistema é implementado em Python e testado usando uma base de dados que contém registos de sensibilidade a drogas, com mais de 310.000 IC50 que, por sua vez, descrevem a resposta de mais de 300 drogas anticancerígenas em 987 linhas celulares cancerígenas. Após várias tarefas de pré-processamento, são realizadas duas experiências. A primeira experiência usa as imagens originais de microarrays de DNA e a segunda usa as mesmas imagens, mas submetidas a uma transformada wavelet. As experiências confirmam que as imagens de microarrays de DNA submetidas a transformadas wavelet melhoram o desempenho do sistema de recomendação, otimizando a pesquisa de linhas celulares cancerígenas com perfil semelhante ao da nova linha celular. Além disso, concluímos que as imagens de microarrays de DNA com transformadas de wavelet apropriadas, não apenas fornecem informações mais ricas para a pesquisa de utilizadores similares, mas também comprimem essas imagens com eficiência, otimizando os recursos computacionais. Tanto quanto é do nosso conhecimento, este projeto é inovador no que diz respeito ao uso de imagens de microarrays de DNA submetidas a transformadas wavelet, para perfilar linhas celulares num sistema de recomendação personalizado de drogas anticancerígenas.

Submitted by Ana Rebelo (amsr@isep.ipp.pt) on 2021-03-26T10:43:32Z No. of bitstreams: 1 DM_TiagoCardoso_2020_MEI.pdf: 6552801 bytes, checksum: 1a27753cc41071de55ba1fbc40249b01 (MD5) Approved for entry into archive by Ana Rebelo (amsr@isep.ipp.pt) on 2021-03-26T10:44:07Z (GMT) No. of bitstreams: 1 DM_TiagoCardoso_2020_MEI.pdf: 6552801 bytes, checksum: 1a27753cc41071de55ba1fbc40249b01 (MD5) Made available in DSpace on 2021-03-26T10:44:07Z (GMT). No. of bitstreams: 1 DM_TiagoCardoso_2020_MEI.pdf: 6552801 bytes, checksum: 1a27753cc41071de55ba1fbc40249b01 (MD5) Previous issue date: 2020

Esta pesquisa investiga como construir um modelo de recomendação que integra estratégias pedagógicas a partir dos aspectos socioafetivos do aluno em Ambiente Virtual de Aprendizagem (AVA). Considerando que os aspectos afetivos e sociais vivenciados pelo sujeito interferem sobre seu desenvolvimento cognitivo, é relevante que o docente acompanhe as alterações comportamentais de cada aluno em sala de aula e, especialmente, no AVA. Neste contexto, a mediação do professor através de estratégias pedagógicas (EP) personalizadas adequadas à situação socioafetiva do estudante é significativa e pode contribuir em prol do aprendizado. Estratégias pedagógicas são ações planejadas para atingir aos objetivos pretendidos na formação do alunado. O presente estudo foi realizado em uma abordagem qualitativa e quantitativa do tipo estudo de casos múltiplos. O público-alvo da investigação são professores de ensino superior que utilizaram o AVA ROODA - Rede cOOperativa De Aprendizagem como plataforma para o desenvolvimento de suas atividades de ensino. Neste escopo, a pesquisa foi desenvolvida em cinco etapas, a saber: 1) Realização de estudo teórico sobre as temáticas de Sistemas de Recomendação, Socioafetividade, segundo a epistemologia genética de Piaget, Traços de Personalidade e Estratégias Pedagógicas, visando ao embasamento teórico nas respectivas e a identificação de trabalhos correlatos. 2) Construção do Modelo de Recomendação de Estratégias Pedagógicas a partir do perfil socioafetivo do aluno em ambiente virtual de aprendizagem. 3) Implementação das definições do MREPSA em um sistema de recomendação no AVA de aplicação. 4) Avaliação do Modelo no AVA de aplicação. 5) Análise dos resultados. A coleta de dados foi realizada mediante a aplicação de questionário cujas respostas foram examinadas segundo a metodologia de Análise de Conteúdo. Nesta perspectiva, foram estabelecidas três categorias de análise: Categoria I – A efetividade do MREPSA como modelo de recomendação, Categoria II – A qualidade do MREPSA como modelo de recomendação e Categoria III – A pertinência das recomendações ofertadas a partir do MREPSA. Os resultados apresentados apontam que as recomendações fornecidas são pertinentes com os estados socioafetivos dos estudantes. Ressaltam, ainda, que as sugestões são adequadas e úteis como ferramenta de apoio ao professor. Desse modo, as EP auxiliam a compreender a situação em que o aluno se encontra, ao mesmo tempo que provêm sugestões de ação pedagógica em resposta ao momento que este está passando. Com isso, vislumbra-se que o modelo pode servir de base para o desenvolvimento de novas abordagens de recomendação baseadas em aspectos socioafetivos, as quais podem contribuir para que os docentes possam dar uma atenção mais personalizada às necessidades afetivas e sociais de seus alunos em Ambientes Virtuais de Aprendizagem, em especial, na Educação a Distância. This research investigates how to build a recommendation model that integrates pedagogical strategies based on the student's socio-affective aspects in the Virtual Learning Environment (VLE). Considering that the affective and social aspects experienced by the subject interfere with his cognitive development, it is relevant that the teacher accompanies the behavioral changes of each student in the classroom and, especially, in the VLE. In this context, the mediation of the teacher through personalized pedagogical strategies (EP) tailored to the student's socio-affective situation is significant and can contribute to learning. Pedagogical strategies are actions designed to achieve the intended educational objectives. The present study was carried out using a qualitative and quantitative approach, such as multiple case studies. The target audience of the investigation are higher education teachers who used the VLE ROODA as a platform for the development of their teaching activities. In this scope, the research was developed in five stages, namely: 1) Carrying out a theoretical study on the themes of Recommendation Systems, Socio-affectivity, according to Piaget's genetic epistemology, Personality Traits and Pedagogical Strategies, aiming at the theoretical foundation in the respective and the identification of related works. 2) Construction of the Pedagogical Strategies Recommendation Model based on the student's socio-affective profile in a virtual learning environment. 3) Implementation of MREPSA definitions in a recommendation system in the application AVA. 4) Evaluation of the Model in the VLE. 5) Analysis of the results. Data collection was performed by applying a questionnaire whose answers were examined according to the Content Analysis methodology. In this perspective, three categories of analysis were established: Category I - The effectiveness of MREPSA as a recommendation model, Category II - The quality of MREPSA as a recommendation model and Category III - The relevance of the recommendations offered from MREPSA. The results presented show that the recommendations provided are relevant to the students' socio-affective states. They also emphasize that the suggestions are adequate and useful as a tool to support the teacher. In this way, the EPs help to understand the situation in which the student is, while providing suggestions for pedagogical action in response to the moment he is going through. Thus, it is envisaged that the model can serve as a basis for the development of new recommendation approaches based on socio-affective aspects, which can contribute so that teachers can give a more personalized attention to the affective and social needs of their students in the Virtual Learning Environment, especially in Distance Education.

Submitted by Ana Rebelo (amsr@isep.ipp.pt) on 2021-03-02T16:08:13Z No. of bitstreams: 1 DM_RicardoLima_2020_MEI.pdf: 4793598 bytes, checksum: ca056727bf3093901821315d77ed1672 (MD5) Approved for entry into archive by Ana Rebelo (amsr@isep.ipp.pt) on 2021-03-02T16:08:32Z (GMT) No. of bitstreams: 1 DM_RicardoLima_2020_MEI.pdf: 4793598 bytes, checksum: ca056727bf3093901821315d77ed1672 (MD5) Made available in DSpace on 2021-03-02T16:08:32Z (GMT). No. of bitstreams: 1 DM_RicardoLima_2020_MEI.pdf: 4793598 bytes, checksum: ca056727bf3093901821315d77ed1672 (MD5) Previous issue date: 2020

Submitted by Ana Rebelo (amsr@isep.ipp.pt) on 2021-01-29T14:58:54Z No. of bitstreams: 1 DM_FranciscoMoreira_2020_MEI.pdf: 3782024 bytes, checksum: 50a1115d1a8ef3438c01d3dce2a4d2c2 (MD5) Approved for entry into archive by Ana Rebelo (amsr@isep.ipp.pt) on 2021-01-29T14:59:14Z (GMT) No. of bitstreams: 1 DM_FranciscoMoreira_2020_MEI.pdf: 3782024 bytes, checksum: 50a1115d1a8ef3438c01d3dce2a4d2c2 (MD5) Made available in DSpace on 2021-01-29T14:59:14Z (GMT). No. of bitstreams: 1 DM_FranciscoMoreira_2020_MEI.pdf: 3782024 bytes, checksum: 50a1115d1a8ef3438c01d3dce2a4d2c2 (MD5) Previous issue date: 2020

CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior A indústria de desenvolvimento de software evoluiu nos últimos anos e novos desafios surgiram. Dentre estas mudanças surgiram os ecossistemas de software, um novo paradigma de desenvolvimento, onde colaboradores externos apoiam a produção de software ao disponibilizar soluções que complementam uma plataforma comum a estes desenvolvedores. Devido à grande diversidade de tecnologias, frameworks e domínios que um ecossistema pode abrigar, a todo momento surgem colaboradores com variados tópicos de conhecimento e habilidades. Entretanto, recrutar colaboradores com as características desejadas se torna um trabalho complexo devido aos diferentes graus de conhecimento e habilidades que cada colaborador tem em suas diversas competências. Diante disso, apresenta-se uma arquitetura de um sistema de recomendação (SR) apoiado por uma ontologia capaz de recomendar colaboradores que tenham mostrado expertise nos tópicos de interesse. Para tanto, o SR utiliza técnicas da área de expertise retrieval para pontuar o grau de aderência dos colaboradores sobre os tópicos de conhecimento representados em uma query. A arquitetura é então capaz de fornecer as informações de contexto da recomendação, ou seja, uma visualização sobre onde pode-se encontrar os tópicos de conhecimento que levaram à recomendação de cada colaborador. Provas de conceito foram realizadas sobre dois ecossistemas de software para verificar a viabilidade da arquitetura, as quais mostraram indícios de que a arquitetura é capaz de realizar recomendações, e ainda oferece informações de contexto que são importantes à tomada de decisão sobre as recomendações realizadas. The software development industry has evolved in the recent years and new challenges have emerged. Among these changes came Software Ecosystems, a new development paradigm, where external contributors support software production by providing solutions that complement a common platform for these developers. Due to the large number of technologies, frameworks and domains that an ecosystem can host, an equally large number of contributors acquainted with varied topics of their knowledge and skills have also emerged. However, recruiting collaborators with desired characteristics becomes a complex task due to the varying degrees of knowledge and skill that each developer has in their various competencies. Given this, we present a architecture of a recommendation system (RS) supported by an ontology capable of recommending collaborators who have shown expertise in the topics of interest. In order to do so, the RS uses retrieval expertise techniques to score the developers´ level of knowledge about topics represented in a query. The architecture is then able to provide the contextual information of the recommendation, i.e., a visualization of where one can find the knowledge topics that led to the recommendation of each contributor. Proof of Concepts were conducted on two software ecosystems to demonstrate feasibility of the architecture, which have shown evidence that the architecture is able to perform recommendations and still offers context information, important to the decision-making process over the recommendations made.

No âmbito desta dissertação foi proposta uma abordagem para apoiar o planeamento de viagens turísticas, em que se fornece informação sobre possíveis pontos a visitar, possibilita a manifestação de preferências e limitações quanto a vários aspetos e procura maximizar o número de visitas no tempo disponível, reduzindo simultaneamente o tempo de deslocação entre os vários locais. Através da E-tinerary, o utilizador pode descobrir novos lugares para visitar, planear as suas viagens turísticas e interagir com outros utilizadores, particularmente através da visualização e utilização de planos de viagem partilhados. Adicionalmente pode personalizar as suas viagens usando informação relativa a locais preferenciais de visita, orçamento disponível, etc. Foi utilizada uma abordagem centrada no utilizador. Numa primeira fase caracterizaram-se os perfis de vários tipos de utilizadores alvo, seus contextos de utilização e necessidades, com base nos quais se identificaram requisitos relevantes no apoio ao planeamento de viagens turísticas Depois criaram-se protótipos de baixa fidelidade duma aplicação, que pretende demonstrar os conceitos desenvolvidos, e que foram avaliados com utilizadores no sentido de validar tanto as funcionalidades como o modelo conceptual proposto para a interface de utilizador. Foi então desenvolvida a aplicação que permite fornecer informação necessária no planeamento de viagens turísticas através da obtenção de dados de APIs externas, nomeadamente a partir do Google Maps Platform, OpenWeatherMap, e Wikipédia, e propor percursos de visita com base em métodos de otimização de rotas, tendo em consideração preferências e limitações expressas pelo utilizador. Finalmente realizaram-se testes com a colaboração de utilizadores com diferentes perfis e os resultados dos testes de usabilidade sugerem que a E-tinerary foi por eles avaliada de forma muito positiva e que recomendariam a sua utilização. This dissertation proposes an approach to support the planning of tourist trips, providing information on possible points of interest to visit, allowing the expression of preferences and limitations on various aspects and seeking to maximize the number of visits in the time available, while reducing the travel time between the various locations. Through E-tinerary, it is possible to discover new places to visit, plan sightseeing trips and interact with other users, particularly through viewing and using shared travel plans. Additionally, it is possible to customize travels using information about preferred places to visit, available budget, etc. A user-centered approach was used. In a first phase, the profiles of several types of targeted users, their usage contexts and needs were characterized, based on which relevant requirements were identified in support of tourism travel planning. Afterwards, low fidelity prototypes of an application were created where the developed concepts were demonstrated and evaluated with users in order to validate both the proposed functionalities and the proposed conceptual model for the user interface. The application was then developed to provide information needed for travel planning by obtaining external data from APIs such as Google Maps Platform, OpenWeatherMap, and Wikipedia, and proposing tours based on route optimization methods, based on preferences and limitations expressed by the user. Finally, tests were carried out with the collaboration of users with different profiles and the usability tests results suggest that E-tinerary was very positively evaluated by them and they would recommend its usage. Mestrado em Engenharia de Computadores e Telemática

Não recebi financiamento Models based on matrix factorization are among the most successful implementations of Recommender Systems. In this project, we study the possibilities of incorporating the information from social networks to improve the quality of predictions of the model both in traditional Collaborative Filtering and in Neural Collaborative Filtering. Based on four examples, we registered that incorporating information from the social network in fact leads to better estimates of the evaluations of itens by users. Modelos baseados em fatoração de matrizes estão entre as implementações mais bem sucedidas de Sistemas de Recomendação. Neste projeto, estudamos as possibilidades de incorporação de informações provindas de redes sociais, para melhorar a qualidade das predições do modelo tanto em modelos tradicionais de Filtragem Colaborativa, quanto em Filtragem Colaborativa Neural. Com base em quatro exemplos, registramos que a incorporação das informações provindas da rede social de fato leva a melhores estimativas das avaliações dadas aos itens pelos usuários.

Submitted by Ana Rebelo (amsr@isep.ipp.pt) on 2019-11-13T14:45:45Z No. of bitstreams: 1 DM_AntonioMoreira_2019_MEI.pdf: 4435729 bytes, checksum: 25af05487b225e255eb0a6ce971e35f8 (MD5) Approved for entry into archive by Ana Rebelo (amsr@isep.ipp.pt) on 2019-11-13T14:46:53Z (GMT) No. of bitstreams: 1 DM_AntonioMoreira_2019_MEI.pdf: 4435729 bytes, checksum: 25af05487b225e255eb0a6ce971e35f8 (MD5) Made available in DSpace on 2019-11-13T14:46:53Z (GMT). No. of bitstreams: 1 DM_AntonioMoreira_2019_MEI.pdf: 4435729 bytes, checksum: 25af05487b225e255eb0a6ce971e35f8 (MD5) Previous issue date: 2019

Submitted by Ana Rebelo (amsr@isep.ipp.pt) on 2020-03-30T11:00:19Z No. of bitstreams: 1 DM_RicardoPinto_2019_MEI.pdf: 5729303 bytes, checksum: 7dabcf14ca266f8ccf0aecb1be5b6230 (MD5) Approved for entry into archive by Ana Rebelo (amsr@isep.ipp.pt) on 2020-03-30T11:01:11Z (GMT) No. of bitstreams: 1 DM_RicardoPinto_2019_MEI.pdf: 5729303 bytes, checksum: 7dabcf14ca266f8ccf0aecb1be5b6230 (MD5) Made available in DSpace on 2020-03-30T11:01:11Z (GMT). No. of bitstreams: 1 DM_RicardoPinto_2019_MEI.pdf: 5729303 bytes, checksum: 7dabcf14ca266f8ccf0aecb1be5b6230 (MD5) Previous issue date: 2019

Formas de se monitorar continuamente a saúde humana vem se tornando populares, principalmente devido ao alargamento de nossa pirâmide etária. Nesse cenário ambientes assistidos surgem como uma tecnologia para atender às necessidades desse público alvo. Técnicas que detectam as atividades realizadas por um indivíduo se mostram promissoras para esse problema uma uma vez que ao se identificar as ações podemos perceber anomalias na rotina de um usuário que podem sinalizar estágios iniciais de uma doença. Sistemas de recomendação surgem como uma maneira de agregar funcionalidades à ambientes assistidos com o intuito de realizar recomendações para o usuário final ou o especialista médico de acordo com a gravidade notada da anomalia. Estudos iniciais mostram que a proposta de mesclar sistemas de recomendação com ambientes assistidos é viável e diferencial dado que essa junção é pouco explorada