DCC - UFMG
+55 31 3409 5860
ciia-saude@dcc.ufmg.br

Anisio Lacerda


Anisio Lacerda

Universidade Federal de Minas Gerais
DCC

Pesquisador associado





Informações resumidas do Currículo Lattes


Currículo Lattes atualizado em 22/02/2021

Nome em citações bibliográficas: LACERDA, A. M.;LACERDA, ANISIO;LACERDA, ANÍSIO;LACERDA, ANÍSIO M.;LACERDA, ANISIO M.


Formação acadêmica

Doutorado em Ciências da Computação na Universidade Federal de Minas Gerais em 2013
Mestrado em Ciências da Computação na Universidade Federal de Minas Gerais em 2008
Graduado em Ciencia da Computacao na Universidade Federal de Minas Gerais em 2005


Projetos de pesquisa em andamento

2018 a AtualModelos Probabilísticos para Tratamento de Incerteza em Sistemas de Recomendação
***********Produtividade em Pesquisa (PQ)******************** A quantidade de informação publicada e compartilhada na Web vem crescendo rapidamente e os usuários da rede não querem acesso à qualquer tipo de informação, mas à informação útil e relevante. Nesse contexto aparecem os sistemas de recomendação, que fornecem sugestões de itens baseadas nos interesses dos usuários. O principal objetivo deste projeto é desenvolver modelos capazes de tratar incerteza em sistemas de recomendação. A incerteza nesses sistemas é consequência principalmente da escassez de informação, que é uma característica inerente a sistemas de recomendação por dois motivos principais. Primeiramente, temos o problema de cold-start, i.e., novos usuários e itens sendo inseridos no sistema ao longo do tempo, e para os quais nenhuma informação de preferência está disponível. Além disso, não basta identificar apenas a relevância dos itens para os usuários, precisamos considerar múltiplas métricas de avaliação de forma simultânea. Neste cenário, investigaremos formas de tratar a incerteza nas preferências dos usuários por meio de diferentes métricas de avaliação da qualidade da recomendação, i.e., investigaremos técnicas de recomendação multi-objetivo. Para representar usuários, itens e suas associações iremos propor modelos probabilísticos, que representam um arcabouço matemático robusto e formal para tratamento de incerteza.
Integrantes: Anisio Mendes Lacerda (coordenador).
2017 a AtualMétodos de Inferência Escaláveis para Sistemas de Recomendação baseados em Fatores Latentes
***********Universal FAPEMIG******************** Sistemas de Recomendação são ferramentas computacionais que auxiliam usuários na tarefa de lidar com grandes volumes de informação. O estado-da-arte em sistemas de recomendação e baseado na representação dos usuários e dos itens em um sistema de fatores latentes. Em geral, o espaço de fatores latentes e encontrado utilizando-se métodos baseados em inferência bayesiana. Um dos desafios desses métodos e a escalabilidade da etapa de inferência dos parâmetros dos modelos de recomendação. Este projeto foca no estudo de métodos de inferência capazes de tratar grandes bases de dados estáticas da ordem de milhões de itens.
Integrantes: Anisio Mendes Lacerda (coordenador), Flavio L. C. Padua.
2017 a AtualModelos de Representação de Usuários e Itens em Espaços de Fatores Latentes Dinâmicos para Recomendação de Itens
***********Universal CNPq ******************** A quantidade de informação publicada e compartilhada na Web vem crescendo rapidamente, e o usuário de sistemas Web não quer acesso à qualquer tipo de informação, mas à informação útil e relevante. Nesse contexto aparecem sistemas de recomendação, que fornecem sugestões de itens baseadas nos interesses do usuário. O estado da arte em sistemas de recomendação são os algoritmos baseados em modelos de fatores latentes. A ideia destes modelos é projetar os usuários e os itens em um espaço de dimensões reduzidas (tais dimensões são chamadas de fatores latentes ou tópicos), e então agrupar usuários e itens similares. Este projeto foca na extração de tópicos em bases de dados dinâmicas. Os algoritmos serão testados em bases de dados contendo milhões de usuários e milhares de itens, e comparados com algoritmos estado da arte.
Integrantes: Anisio Mendes Lacerda (coordenador), Gisele Lobo Pappa, Flavio L. C. Padua.
2016 a AtualFAPEMIG-PRONEX-MASWeb, Models, Algorithms and Systems for the Web
Dada a escala exponencial de crescimento da Web, o surgimento de novas aplicações e serviços está limitado por aspectos de infra-estrutura de software e hardware. Portanto, o estudo dos diversos aspectos que envolvem a Web extrapola as atividades tradicionais de geração de conteúdo e criação de novos serviços, demandando o desenvolvimento de novas tecnologias que permeiam as suas diversas camadas bem como o entendimento da sociedade que utiliza os seus serviços. Dentro deste contexto, O projeto foi proposto para estudar os diversos fenômenos relacionados com a Web, tendo como objectivo desenvolver modelos, algoritmos e novas tecnologias que permitam aumentar a integração da Web com a sociedade, tornando mais efetiva e segura a distribuição de informação, como também mais eficazes e eficientes os serviços disponíveis.
Integrantes: Nivio Ziviani (coordenador), Anisio Mendes Lacerda, Alberto Laender, Virgílio Almeira, Adriano C. M. Pereira, Jussara Almeira, Rodrygo Santos, Giselle Pappa, Marcos André Gonçalves, Dorgival Guedes, Wagner Meira Jr..
2016 a AtualMétodos de seleção e regressão múltipla para previsão de vendas de produtos
A tarefa de recomendação consiste em sugerir uma lista ordenada de itens relevantes para os usuários de um sistema Web. Essa sugestão é feita por uma função de recomendação, que determina a relevância dos items de informação para os usuários do sistema ao longo do tempo. Sistemas de recomendação online funcionam em um ciclo contínuo, onde usuários recebem sugestões de itens e retornam feedback destas recomendações. O sistema pode então utilizar o feedback do usuário para atualizar a função de recomendação. Este ciclo se repete enquanto o usuário interagir com o sistema. Para funcionar de acordo com esse ciclo, grande parte dos sistemas de recomendação online propostos na literatura trabalham com recomendações sequenciais, e são baseados em algoritmos de aprendizado por reforço. Algoritmos de aprendizado por reforço, tais como as abordagens multi-armed bandits, recomendam um item ao usuário de acordo com uma função de recomendação e aguardam seu feedback imediato. Este feedback é então incorporado à função para futuras recomendações. A otimização da função de recomendação é normalmente baseada em uma única medida de sucesso, tal como o número de clicks do usuário no cenário Web. Porém, métodos que otimizam apenas uma métrica não são úteis na prática, pois a satisfação do usuário envolve vários aspectos. Por exemplo, além da lista de itens retornada ser relevante, o usuário espera que os itens sejam diversos entre si.Este projeto tem como principal objetivo propor soluções para esta limitação em sistemas de recomendação online para que elas possam ser facilmente utilizadas em sistemas reais. Assim, iremos considerar a satisfação do usuário utilizando diferentes métricas de sucesso para garantir a melhor experiência no uso do sistema.
Integrantes: Anisio Mendes Lacerda (coordenador).

Projetos de desenvolvimento em andamento

2017 a AtualDesenvolvimento de Módulos Inteligentes para Computadores Dedicados em Ambiente de Consumo
Este projeto compreende o estudo e o desenvolvimento de soluções inteligentes, baseadas em software de sistemas embarcados, para apoio autônomo e em tempo real a consumidores de supermercados, durante suas compras. Para tanto, este projeto propõe Implementar módulos embarcados inteligentes de software, a serem executados em sistema operacional Android ©, capazes de fazerem interface com um aplicativo já existente pertencente à empresa parceira e, a partir do recebimento de dados e eventos deste software, solicitar a execução de rotinas de sistemas de recomendação, otimização, localização através de beacons e de tomada de decisão para disparar novas funções naquele software.
Integrantes: Flávio Vinícius Cruzeiro Martins (coordenador), Anisio Mendes Lacerda, Paulo E. M. de Almeida, Andrei Rimsa Álvares.
Veja todos os projetos no Currículo Lattes

Últimas publicações

Artigos em periódicos

Is Rank Aggregation Effective in Recommender Systems? An Experimental Analysis
2020. ACM Transactions on Intelligent Systems and Technology.
Faster and Slower Post-Training Recovery in Futsal: Multifactorial Classification of Recovery Profiles
2019. International Journal of Sports Physiology and Performance.
Multimodal data fusion framework based on autoencoders for top-N recommender systems
2019. APPLIED INTELLIGENCE (DORDRECHT. ONLINE).
Multimodal approach for tension levels estimation in news videos
2019. MULTIMEDIA TOOLS AND APPLICATIONS.
A computational approach to support the creation of terminological neologisms in sign languages
2018. COMPUTER APPLICATIONS IN ENGINEERING EDUCATION.
Multi-Objective Ranked Bandits for Recommender Systems
2017. NEUROCOMPUTING.
A General Framework to Expand Short Text for Topic Modeling
2017. Information Sciences.
A video summarization approach based on the emulation of bottom-up mechanisms of visual attention
2017. JOURNAL OF INTELLIGENT INFORMATION SYSTEMS.
Evaluation of Interest Point Matching Methods for Projective Reconstruction of 3D Scenes
2016. Revista IEEE América Latina.
Automatic and online setting of similarity thresholds in content-based visual information retrieval problems
2016. EURASIP Journal on Advances in Signal Processing (Online).
Metodologia para Recomendação de Vídeos Baseada em Descritores de Conteúdo Visuais e Textuais
2016. TENDÊNCIAS DA PESQUISA BRASILEIRA EM CIÊNCIA DA INFORMAÇÃO.

Trabalhos completos em congressos

Explaining Symbolic Regression Predictions
2020. IEEE Congress on Evolutionary Computation (CEC'20).
Detecting Collaboration Profiles in Success-based Music Genre Networks
2020. ISMIR'20.
On Modeling Context from Objects with a Long Short-Term Memory for Indoor Scene Recognition
2019. Conference on Graphics, Patterns and Images (SIBGRAPI).
Exploiting Multiple Recommenders to Improve Group Recommendation
2018. Brazilian Conference on Intelligent System (BRACIS).
Multi-objective Evolutionary Rank Aggregation for Recommender Systems
2018. IEEE World Congress on Computational Intelligence (IEEE WCCI).
User-Oriented Objective Prioritization for Meta-Featured Multi-Objective Recommender Systems
2018. ACM User Modeling, Adaptation, and Personalization Conference.
A Robust Indoor Scene Recognition Method based on Sparse Representation
2017. Iberoamerican Congress on Pattern Recognition.
A Majority Voting Approach for Sentiment Analysis in Short Texts using Topic Models
2017. Simpósio Brasileiro de Sistemas Multimídia e Web.
Improved User Cold-Start Recommendation via Two-Level Bandit Algoritms
2017. XIV National Meeting on Artificial and Computational Intelligence.
A Multimodal Recommendation Framework based on Low-dimensional Latent Factors
2017. XIV National Meeting on Artificial and Computational Intelligence.
Topic Modeling for Short Texts with Co-ocurrence Frequency-based Expansion
2016. Brazilian Conference on Intelligent System (BRACIS).
Evolutionary Rank Aggregation for Recommender Systems
2016. Proceedings of 2016 IEEE International Congress on Evolutionary Computation (IEEE CEC).
Learning to advertise
2006. 29th Annual International ACM SIGIR.

Resumos expandidos em congressos


Resumos em congressos


Veja todas as publicações no Currículo Lattes

Orientações em andamento

Mestrado

Nélio Cezar Muniz Sampaio. (A definir). Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Guilherme Marchezini. (A definir). Início: 2019. Universidade Federal de Minas Gerais (Orientador principal)
Cláudio César Ferreira Almeida. (A definir). Início: 2019. Universidade Federal de Minas Gerais (Orientador principal)
Josemar Figueiredo Pereira. Recomendação para Grupos baseada em Aprendizado de Ordenações. Início: 2018. Centro Federal de Educação Tecnológica de Minas Gerais (Orientador principal)
Lucas Gabriel Lage Costa. Sistemas de Recomendação baseados em Inferência Causal. Início: 2018. Centro Federal de Educação Tecnológica de Minas Gerais (Orientador principal)
Matheus Henrique Soares da Silva. Sistemas de Recomendação Interativos. Início: 2017. Centro Federal de Educação Tecnológica de Minas Gerais (Orientador principal)
Reinaldo Carlos Mendes. Modelos de Construcao de Dicionarios baseados em Autoencoders para Recomendacao Multimodal de Imagens. Início: 2017. Centro Federal de Educação Tecnológica de Minas Gerais (Orientador principal)

Doutorado

Reinaldo Silva Fortes. Recomendação Multi-objetivo baseada em Meta-features. Início: 2018. Universidade Federal de Minas Gerais (Co orientador)

Veja todas as orientações no Currículo Lattes