Algoritmos de sistemas de recomendação para trabalhos científicos

Abstract

Resumo : Nesta monografia abordamos a aplicação de técnicas de Processamento de Linguagem Natural (NLP) na recomendação de trabalhos científicos publicados ao longo dos anos pelos discentes e docentes do Departamento de Matemática da Universidade Federal do Paraná (UFPR). Os modelos Word2Vec, GloVe e BERT foram utilizados para extrair informações semãnticas e contextuais dos documentos de texto, com o objetivo de gerar recomendações personalizadas e precisas. A coleta de dados foi realizada por meio de web scraping, e os modelos pré-treinados foram ajustados para atender ás necessidades da pesquisa. Avaliamos a capacidade dos algoritmos em compreender o contexto dos artigos matemáticos e apresentar recomendações concisas. Os resultados obtidos demonstram que o modelo BERT se destaca nessa tarefa, mostrando uma maior compreensão do contexto e gerando recomendações relevantes. Ao final do trabalho, apresentamos considerações finais e discussões sobre os resultados alcançados. Além disso, oferecemos sugestões para pesquisas futuras, visando aprimorar ainda mais a recomendação de trabalhos científicos

Abstract : This monograph addresses the application of Natural Language Processing (NLP) techniques in the recommendation of scientific papers published over the years by students and faculty members of the Department of Mathematics at the Federal University of Paraná (UFPR). The Word2Vec, GloVe, and BERT models were employed to extract se mantic and contextual information from text documents, aiming to generate personalized and accurate recommendations. Data collection was performed through web scraping, and the pre-trained models were adjusted to meet the research requirements. We evaluated the algorithms’ ability to comprehend the context of mathematical articles and provide concise recommendations. The results obtained demonstrate the superiority of the BERT model in this task, showcasing a better understanding of the context and generating relevant recommendations. In the final sections of the work, we present concluding remarks, discussions on the achieved results, and suggestions for future research to further enhance the recommendation of scientific papers