Comparação de Classificadores para o problema de Cross-system Personalization em Redes Sociais

Resumen

As redes sociais abrem a possibilidade de usar os dados públicos dos usuários para melhorar a customização ou antecipação de serviços, marketing individualizado, dentre outras aplicações. Cruzar dados do mesmo usuário entre diferentes redes sociais amplia o conhecimento acerca do usuário.  Entretanto, diferentes perfis de um mesmo usuário  em redes sociais distintas, frequentemente apresentam inconsistências entre campos, tais como não apresentarem o mesmo nome ou o mesmo endereço, o que torna a identificação cruzada difícil. A proposta deste artigo é usar a abordagem de aprendizado de máquina e comparar, dentre oito algoritmos de classificação, regressão logística, LDA, KNN, Ãrvore de decisão, Naive Bayes, SVM, AdaBoost e XGBoost, aquele que obtém o melhor desempenho na tarefa de ligação de perfis de usuários em diferentes bases de dados. Conseguiu-se replicar, e superar em alguns casos, os resultados de acurácia relatados na literatura. Atingiu-se acurácia de 0,96 no melhor caso com Ada Boost e XGBoost.