No abstract

No abstract

No abstract

O processo eleitoral vem tomando proporções cada vez maiores, de maneira que a ciência do marketingé, hoje, uma das principais preocupações das equipes responsáveis pelas campanhas eleitorais. O crescente uso das redes sociais criou um novo canal entre candidatos e eleitores. Contudo,é possível afirmar que este canal tem sido pouco explorado.É um hábito para muitos usuários divulgar nas redes sociais suas opiniões a respeito dos candidatos e partidos políticos. Se as equipes de marketing eleitoral tivessem acesso direto a tais informações, poderiam utilizá-las como "termômetro" em suas campanhas. Entretanto, filtrar as opiniões dos usuários nãoé uma tarefa trivial devidoà enorme quantidade de informações fúteis sendo compartilhada nas redes. Portanto, este trabalho propõe-se a extrair do Twitter informações relevantes, i.e., as opiniões dos usuários a respeito de um determinado candidato. Como estudo de caso, tweets referentes a um dos candidatosà prefeitura da cidade do Rio de Janeiro (RJ) foram coletados, durante a campanha eleitoral de 2012, e um filtro foi aplicado para diferenciar os tweets que transmitem a opinião dos usuários (relevantes) dos demais (irrelevantes). Técnicas de Aprendizado de Máquina foram empregadas com o intuito de efetuar tal filtragem, entre as quais estão Naive Bayes,Árvore de Decisão e Máxima Entropia. Em nossos resultados, onde atingimos acurácia média de até 75%, tiramos importantes conclusões a respeito dos fatores que interferem no desempenho de tais técnicas.

This work proposes a new methodology for the Group Recommendation problem. In this approach we choose the Most Representative User (MRU) as the group medoid in a user space projection, and then generate the recommendation list based on his preferences. We evaluate our proposal by using the well-known dataset Movielens. We have taken two different measures so as to evaluate the group recommender strategies. The obtained results seem promising and our strategy has shown an empirical robustness compared with the baselines in the literature.