Sistemas de recomendação estão cada vez mais presentes na rotina dos usuários da Internet. Portanto, plataformas como Youtube e Netflix procuram melhorar suas recomendações para fornecer uma melhor experiência aos seus usuários. No entanto, a experiência dos usuários depende de diversos fatores. Em particular, sistemas de cache têm uma grande influência na qualidade de experiência (QoE), visto que eles impactam métricas de qualidade de serviço (QoS), como atraso e vazão, experenciadas pelos usuários. Nosso objetivo é estudar a viabilidade de um sistema de recomendação sensível a QoS que maximize a QoE. Para tal, nós conduzimos experimentos com usuários reais com perfis distintos. Cada usuário é solicitado a avaliar diferentes vídeos, que variam em termos de conteúdo e de QoS. Dadas nossas descobertas quanto à relação entre QoS e QoR (quality of recommendation), investigamos seus impactos no modelo de sistema de recomendação. Um classificador baseado em árvore de decisão alcançou acurácia de 77% usando validação cruzada, e nos permite entender melhor o processo de tomada de decisão do usuário.
Sistemas de recomendação estão cada vez mais presentes na rotina de usuários na Internet. Portanto, plataformas como Youtube e Netflix buscam aprimorar seus sistemas de recomendação tendo em vista uma melhor experiência para os seus usuários. Porém, a experiência dos usuários depende de inúmeros fatores não apenas relacionados a natureza do conteúdo, mas também a forma como o conteúdo é entregue. Sistemas de cache, por exemplo, também possuem uma grande influência na qualidade de experiência (QoE) dos usuários, já que podem determinar a qualidade de serviço (QoS) dos conteúdos. Neste artigo, estabelecemos uma relação entre sistemas de recomendação e qualidade de serviço (QoS) tendo em base dados coletados a partir de um experimento realizado de forma remota com participações de diversos usuários, com diferentes perfis. Acreditamos que nossos resultados possibilitam abordagens inovadoras no estudo de sistemas de recomendação e algoritmos de caching de forma conjunta. Utilizando árvores de decisão, propomos um sistema de recomendação que leva em conta conjuntamente QoS e a natureza dos conteúdos. Em resultados preliminares, alcançamos uma precisão de 83% em decisões de recomendação baseadas em dados fornecidos por usuários reais que participaram dos experimentos propostos.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.