Diego Corrêa da Silva

Formação complementar

Idiomas

Áreas de atuação

Participação em eventos

Participação em bancas

Produções bibliográficas

• DA SILVA, DIEGO CORRÊA ; DURÃO, FREDERICO ARAÚJO . Benchmarking fairness measures for calibrated recommendation systems on movies domain. EXPERT SYSTEMS WITH APPLICATIONS , v. 1, p. 126380, 2025.

• DA SILVA, DIEGO CORRÊA ; JANNACH, DIETMAR ; DURÃO, FREDERICO ARAÚJO . Considering Time and Feature Entropy in Calibrated Recommendations. ACM Transactions on Intelligent Systems and Technology , v. 16, p. 1-29, 2025.

• DA SILVA, DIEGO CORRÊA ; ROBSON DANTAS BOAVENTURA, DENIS ; DOS SANTOS OLIVEIRA, MAYKI ; PEREIRA SANTOS JUNIOR, JANDER ; FERREIRA DA SILVA, EDUARDO ; DE ALMEIDA, EDUARDO SANTANA ; PRAZERES, CÁSSIO V. S. ; DO CARMO MACHADO, IVAN ; LEONE MACIEL PEIXOTO, MAYCON ; BITTENCOURT FIGUEIREDO, GUSTAVO ; DURÃO, FREDERICO ARAÚJO . Evaluating Multi-Label Machine Learning Models for Smart Home Environments. SOFTWARE-PRACTICE & EXPERIENCE , v. 1, p. 1-18, 2025.

• MARTINS, LUANA ; CAMPOS, DENIVAN ; MOTA, JOSELITO ; TAVARES, DHYEGO ; PEREIRA, JANDER ; OLIVEIRA, MAYKI ; BOAVENTURA, DENIS ; CORREA, DIEGO ; FERREIRA, EDUARDO ; PINTO, GEORGE ; SEIXAS, NILTON ; MAIA, ADRIANO ; ROMARIO, MATIAS ; BATISTA, ERNANDO ; DURAO, FREDERICO ; BITTENCOURT, GUSTAVO ; PEIXOTO, MAYCON ; PRAZERES, CASSIO ; MACHADO, IVAN ; DE ALMEIDA, EDUARDO SANTANA ; et.al . A Case Study of Smart Home Development. IEEE SOFTWARE , v. 1, p. 1-7, 2024.

• DA SILVA, DIEGO CORRÊA ; DURÃO, FREDERICO ARAÚJO . Introducing a framework and a decision protocol to calibrated recommender systems. APPLIED INTELLIGENCE , v. 1, p. 1-29, 2023.

• DA SILVA, DIEGO CORRÊA ; MANZATO, MARCELO GARCIA ; DURÃO, FREDERICO ARAÚJO . Exploiting Personalized Calibration and Metrics for Fairness Recommendation. EXPERT SYSTEMS WITH APPLICATIONS , v. 179, p. 115112, 2021.

• SILVA, D. C. ; DURAO, F. A. . Explorando os metadados na recomendação de músicas em um ambiente com escassez de informação. REVISTA BRASILEIRA DE COMPUTAÇÃO APLICADA , v. 12, p. 1-15, 2020.

• CAMPOS, DENIVAN ; MARTINS, LUANA ; MOTA, JOSELITO ; TAVARES, DHYEGO ; PEREIRA, JANDER ; OLIVEIRA, MAYKI ; BOAVENTURA, DENIS ; CORREA, DIEGO ; FERREIRA, EDUARDO ; PINTO, GEORGE ; SEIXAS, NILTON ; MAIA, ADRIANO ; ROMARIO, MATIAS ; BATISTA, ERNANDO ; DURAO, FREDERICO ; BITTENCOURT, GUSTAVO ; PEIXOTO, MAYCON ; JANUARIO, T. ; PRAZERES, CASSIO ; MACHADO, IVAN ; et.al . Designing, Implementing, and Testing AI-Oriented Smart Home Applications: Challenges and Best Practices. Lecture Notes in Computer Science. 1ed.: Springer Nature Switzerland, 2024, v. , p. 83-99.

• SILVA, DIOGO ; SILVA DA CRUZ, DAVI ; CORRÊA DA SILVA, DIEGO ; DIAS DE ALMEIDA, JOÃO ; DURÃO, FREDERICO . Utilization of Clustering Techniques and Markov Chains for Long-Tail Item Recommendation Systems. In: 20th International Conference on Web Information Systems and Technologies, 2024, Porto. Proceedings of the 20th International Conference on Web Information Systems and Technologies, 2024. v. 1. p. 47-58.

• SILVA, DIEGO CORREA ; DURAO, F. A. . How Novel and Unexpected the Calibrated Recommendations Are?. In: AMCIS 2023, 2023, Panamá. AMCIS 2023 Proceedings. 6., 2023. v. 6.

• CRUZ, JADNA ALMEIDA DA ; OLIVEIRA, AMANDA CHAGAS ; Silva, Diego Corrêa da ; DURÃO, FREDERICO ARAÚJO . GRSPOI: A Point-of-Interest Recommender Systems for Groups Using Diversification. In: SBSI: XVIII Brazilian Symposium on Information Systems, 2022, Curitiba Brazil. XVIII Brazilian Symposium on Information Systems. v. 22. p. 1.

• Silva, Diego Corrêa da ; DURÃO, FREDERICO ARAÚJO . Explorando Justiça em Sistemas de Recomendação. In: Simpósio Brasileiro de Sistemas Multimídia e Web, 2022, Brasil. Anais Estendidos do XXVIII Simpósio Brasileiro de Sistemas Multimídia e Web (WebMedia 2022), 2022. v. 28. p. 11.

• SILVA, D. C. ; DURAO, F. A. . How Novel and Unexpected the Calibrated Recommendations Are?. 2023. (Apresentação de Trabalho/Conferência ou palestra).

• CRUZ, J. A. ; OLIVEIRA, A. C. ; SILVA, D. C. ; DURÃO, FREDERICO ARAÚJO . GRSPOI: A Point-of-Interest Recommender Systems for Groups Using Diversification. 2022. (Apresentação de Trabalho/Simpósio).

• Silva, Diego Corrêa da ; DURÃO, FREDERICO ARAÚJO . Explorando Justiça em Sistemas de Recomendação. 2022. (Apresentação de Trabalho/Simpósio).

• TIRONI, I. ; CLARO, D. B. ; SILVA, D. . OIEAnnotator: Uma ferramenta para construção e anotação de corpora para Extração de Informação Aberta. 2022. (Apresentação de Trabalho/Simpósio).

• SILVA, D. C. ; DURAO, F. A. . Calibragem: Justiça com as Preferências do Usuário. 2019. (Apresentação de Trabalho/Seminário).

Outras produções

Projetos de pesquisa

• 2021 - Atual

  Exploiting Calibration Settings Toward Fairness in Recommender Systems, Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Doutorado: (1) . , Integrantes: Diego Corrêa da Silva - Integrante / Frederico Araújo Durão - Coordenador., Financiador(es): Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Bolsa.

• 2020 - 2021

  Explorando Calibragem Ponderada, Balanceamentos e Métricas para Justiça em Sistemas de Recomendação, Descrição: Sistemas de recomendação são ferramentas utilizadas para sugerir itens, que possivelmente sejam de interesse dos usuários. Estes sistemas baseiam-se no histórico de preferências do usuário para gerar uma lista de sugestões que possuam maior similaridade com o perfil do usuário, visando uma melhor precisão e um menor erro. É esperado que, ao ser recomendado um item, o usuário informe sua preferência ao sistema, indicando se gostou ou o quanto gostou do item recomendado. A interação do usuário com o sistema possibilita um melhor entendimento de seus gostos, que com o tempo, adiciona mais e mais itens a seu perfil de preferências. A recomendação baseada em similaridade do item com as preferências buscando a melhor precisão pode causar efeitos colaterais na lista como: superespecialização das recomendações em um determinado núcleo de itens, pouca diversidade de categorias e desbalanceamento de categoria ou gênero. Assim, esta dissertação tem como objetivo explorar a calibragem, que é um meio para produzir recomendações que sejam relevantes aos usuários e ao mesmo tempo considerar todas as áreas de suas preferências, buscando evitar a desproporção na lista de recomendação. Para isto, foram abordadas formas de ponderar o balanceamento entre a relevância das recomendações e a calibragem baseada em medidas de divergência. A hipótese é que a calibragem pode contribuir positivamente para recomendações mais justas de acordo com a preferência do usuário. A pesquisa foi realizada através de uma ampla abordagem que contempla nove algoritmos de recomendação aplicados nos domínios de filme e música, analisando três medidas de divergência, dois pesos de balanceamento personalizado e dois balanceamentos entre relevância-calibragem. A avaliação foi analisada com métricas amplamente utilizadas, assim como métricas propostas neste trabalho. Os resultados indicam que a calibragem produz efeitos positivos tanto para a precisão da recomendação quanto para a justiça com as preferências do usuário, criando listas de recomendação que respeitem todas as áreas. Os resultados também indicam qual é a melhor combinação para obter um melhor desempenho ao aplicar as propostas de calibragem.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (1) . , Integrantes: Diego Corrêa da Silva - Coordenador / DURÃO, FREDERICO ARAÚJO - Integrante., Financiador(es): Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Bolsa., Número de produções C, T & A: 1

• 2018 - 2018

  Ouvido Musical: Explorando metadados em um sistema de recomendação de músicas, Descrição: A música é uma das mais antigas obras humanas. Passada de geração em geração e usada em diversos setores e com diversas finalidades. A evolução da música digital possibilitou, a partir dos anos 2000, o surgimento dos serviços de transmissão de música, o que produziu um efeito altamente lucrativo ao setor musical. Estes serviços se utilizam de sistemas de recomendação para encontrar faixas que venham a agradar aos usuários, coletando assim ricas informações a respeito do que ouvem. O volume de dados obtido possibilita um cenário rico em características que descrevem a ambos, fazendo, assim, com que as recomendações possam ser mais confiáveis. Sendo assim, é possível um cenário com escassez de dados onde se encontrem recomendações para seus usuários? O problema que este trabalho visa resolver é a dificuldade que os sistemas de recomendação tem em sugerir novas obras para os usuários diante de um cenário com escassez de informação, explorando combinações de metadados para encontrar recomendações. Ao longo deste trabalho um levantamento teórico será realizado, assim como um levantamento das aplicações comerciais, o sistema proposto que usará similaridade entre os metadados para encontrar as recomendações personalizadas. Os modelos necessários para o desenvolvimento deste sistema são apresentados e exemplificados. Os resultados mostram que é possível realizar recomendações em um cenário com escassez informação. As métricas usadas para avaliar o sistema foram Mean Average Precision e Mean Reciprocal Rank. A avaliação mostrou que em um ambiente desbalanceado onde apenas 11% das músicas são consideradas relevantes é possível obter, na métrica MAP, aproximadamente 20% de assertividade ao longo das listas de recomendações, assim como uma lista de recomendação com um número maior de faixas ajuda na obtenção de um melhor resultado. A avaliação também mostrou que é possível obter na métrica MRR mais de 35% de assertividade, assim como a lista de recomendação com um número maior de músicas interfere diretamente no resultado positivo da métrica.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) . , Integrantes: Diego Corrêa da Silva - Integrante / Frederico Araújo Durão - Coordenador.

Projetos de desenvolvimento

• 2020 - Atual

  Calibragem para Justiça em Sistemas de Recomendação, Descrição: Sistemas de recomendação são ferramentas ou técnicas utilizadas para sugerir itens que possivelmente sejam de interesse de usuários. Estes sistemas baseiam-se no histórico de preferências do usuário para gerar uma lista de sugestões que possuam maior similaridade com itens do histórico do usuário, visando melhor precisão e o menor erro. A busca pela melhor precisão pode causar efeitos colaterais como superespecialização, pouca diversidade e desbalanceamento de categoria, gênero ou nichos. Esta pesquisa tem como objetivo explorar formas de ponderar o balanceamento entre a precisão das recomendações e a calibragem baseada em medidas de divergência. A hipótese é que a calibragem pode contribuir positivamente para recomendações mais justas de acordo a preferência do usuário. Para isso, a abordagem proposta avalia nove algoritmos de recomendação aplicados nos domı́nios de filme e música, analisando variações de medidas de divergência, pesos de balanceamento e do próprio balanceamento. Os resultados preliminares indicam que as formulações de ponderação personalizada do balanceamento obtém melhores resultados quando utilizados nos algoritmos de fatoração de matrizes em comparação a recomendação sem o uso da calibragem, podendo este também a impactar em aumento considerável da precisão. Os resultados promissores tornam possível a aplicação da nossa proposta em qualquer sistema de recomendação que utilize informações como: gêneros, tags, classes ou grupos.. , Situação: Em andamento; Natureza: Desenvolvimento. , Alunos envolvidos: Doutorado: (1) . , Integrantes: Diego Corrêa da Silva - Integrante / Frederico Araújo Durão - Coordenador.

Prêmios