Neste projeto iremos focar no problema de Publicidade Direcionada baseada em Conteúdo (PDC) na Web. É assumido que temos acesso a um número de evidências textuais (e.g., texto da página Web e da propaganda, a campanha publicitária ao qual a propaganda pertence, palavras-chave disponíveis para descrever o conteúdo da propaganda) que nos permitem escolher quais as “melhores” ou mais relevantes propagandas para uma determinada página Web. Tal escolha será determinada através da aplicação de uma dada função de similaridade que permite explorar as evidências disponíveis para permitir um melhor “casamento'” entre o texto da página Web e as propagandas ideais para ela. A especificação de tal função de similaridade frente ao grande número de possíveis evidências é uma tarefa extremamente complexa. Ribeiro-Neto et al, por exemplo, propuseram um conjunto de 10 estratégias baseada em variações do modelo vetorial clássico, e utilizando um conjunto bem mais reduzido de evidências do que pretendemos usar para o casamento entre páginas Web e propagandas. Ainda assim, as estratégias propostas proporcionaram ganhos substanciais sobre uma implementação vetorial pura. Contudo, nada garante que as estratégias propostas naquele trabalho constituem a melhor solução e que os resultados não possam ser melhorados através da descoberta de melhores funções de casamento. Para tanto, neste projeto propomos a utilização de Programação Genética (PG), uma técnica de aprendizado de máquina que permite descobrir, através de operações inspiradas em técnicas evolucionárias, funções de similaridade que potencialmente se adaptam melhor ao problema de PDC. Nossa hipótese é que PG é capaz de descobrir tais funções explorando e combinando as diversas fontes de evidência de forma a maximizar o número de propagandas relevantes sugeridos para uma determinada página Web. Este projeto ataca um problema de pesquisa novo e interessante na área de Recuperação de Informação.

Alunos envolvidos: Graduação: (0) / Especialização: (0) / Mestrado acadêmico: (1) / Mestrado profissionalizante: (0) / Doutorado: (0) .

Integrantes: Marcos André Gonçalves – Coordenador / Anisio Mendes Lacerda – Integrante.