Banca de DEFESA: FERNANDA COSTA E SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: FERNANDA COSTA E SILVA
DATA: 14/04/2022
HORA: 13:00
LOCAL: Virtual
TÍTULO:

PROCESSAMENTO DE LINGUAGEM NATURAL NO SEGMENTO DE E-COMMERCE: UMA APLICAÇÃO FEW SHOT LEARNING COM REDES NEURAIS SIAMESAS

PALAVRAS-CHAVES:

Mineração de dados. One shot learning. Processamento de linguagem natural. Extração de características. Classificação. Aprendizado de máquina. E-commerce. Rede Siamesa

PÁGINAS: 100
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
SUBÁREA: Medidas Elétricas, Magnéticas e Eletrônicas; Instrumentação
ESPECIALIDADE: Instrumentação Eletrônica
RESUMO:

O número de empresas que disponibilizam seus produtos para compra online tem aumentado muito. Com isso surgem novas ofertas a todo momento. Entretanto, não há um padrão entre a descrição dos produtos fornecida pelos vendedores, o que pode levar um produto a ser colocado em uma categoria diferente daquela a que ele pertence e gerar uma experiência de compra ruim. Além disso, todas essas transações realizadas na internet gera um grande volume de dados relacionados ao E-commerce, que pode ser utilizado pelas empresas para tentar construir perfis de usuário e fazer recomendações de produtos personalizadas. Assim sendo, soluções aplicando o Processamento de linguagem natural têm surgido para tentar resolver esse e outros problemas relacionados ao E-commerce e, também, otimizar boa parte dos processos. A linha de pesquisa abordada neste projeto é de estudo e aprimoramento de sistemas de inteligência artificial para E-commerce. Os objetivos incluem a análise e desenvolvimento de técnicas de extração de entidades em fontes de dados não estruturados. O problema one/few-shot learning é um problema de categorização, no qual um classificador deve aprender informações relevantes à classificação das amostras utilizando uma ou algumas amostras de uma classe durante seu treinamento. Este é um problema real que pode ser encontrado em aplicações nas diversas áreas de pesquisa, e o número de ferramentas eficientes para lidar com tal situação é limitado, pois os métodos de classificação convencionais não conseguem aprender e estabelecer relações significativas a partir de poucos dados de treinamento. Este trabalho propõe o uso de um classificador baseado nas redes siamesas para classificação de novos produtos em categorias, com poucas amostras para treinamento, inspirado no modelo one/few-shot learning.

MEMBROS DA BANCA:
Interno - WILIAN SOARES LACERDA (Suplente)
Externo à Instituição - LEANDRO RODRIGUES MANSO SILVA - UFJF (Suplente)
Externo à Instituição - GIOVANI BERNARDES VITOR - UNIFEI - UNI (Membro)
Presidente - DANTON DIEGO FERREIRA (Membro)
Externo ao Programa - BELISARIO NINA HUALLPA - DAT/EENG (Membro)