A crescente produção de conteúdo multimídia na web tem estimulado estudos relacionados ao aprimoramento das estratégias responsáveis pela organização e recuperação desse conteúdo nas aplicações. Dentre as diversas estratégias existentes, a atribuição de um conjunto de etiquetas a um objeto expressando o seu conteúdo, denominada de processo de etiquetagem, têm sido objeto de estudos recentes, principalmente os métodos associativos que exploram padrões de coocorrência. Apesar dos métodos associativos apresentarem resultados estado da arte, poucos exploram o comportamento desse tipo de recomendação em um estado em que o objeto está sendo inserido no sistema e não possui informações previamente associadas, caracterizado como problema de cold start. Investigar o comportamento das estratégias, em um estado de cold start, tem como motivação principal melhorar a qualidade das recomendações, principalmente quando as estratégias ficam dependentes das informações fornecidas pelos publicadores do conteúdo. Nesta dissertação apresenta-se uma estratégia de recomendação associativa de etiquetas que explora o conceito de grafos de contexto, por meio da integração da coocorrência e métricas de relevância de etiquetas com o conhecimento colaborativo dos relacionamentos existentes entre conceitos presentes nos artigos da Wikipédia. Com o equilíbrio na valorização das etiquetas candidatas a recomendação, a estratégia proposta obteve melhoria na qualidade da recomendação das etiquetas em vídeos que possuem uma quantidade mediana de etiquetas.
|
