26ago2025
09:00 Defesa de Mestrado auditório do prédio IC3
Tema
Rede de Atenção sobre Grafo de Conhecimento Causal (CausalKGAT)
Aluno
Juliano Leonardo Soares
Orientador / Docente
Marcelo da Silva Reis
Breve resumo
Esta dissertação apresenta o CausalKGAT, um modelo de recomendação que combina filtragem colaborativa, grafos de conhecimento e raciocínio causal em uma arquitetura baseada em redes neurais de grafos com atenção. O objetivo central é investigar se a modelagem explícita de relações causais entre atributos de usuários pode melhorar a acurácia, a robustez e a interpretabilidade das recomendações. Para isso, é construído um grafo causal global a partir dos atributos dos usuários, utilizando algoritmos de descoberta estrutural (como o PC), e este grafo é incorporado à geração dos embeddings de usuários no modelo. O CausalKGAT é avaliado em quatro conjuntos de dados padrão (Amazon-Book, Last-FM, MovieLens-100k e Yelp2018), e seus resultados são comparados a modelos tradicionais e variantes sem estrutura causal. Os experimentos mostram que o modelo proposto supera os concorrentes em métricas como Recall@5 e NDCG@5, especialmente em cenários de cold start de usuários, onde o uso de relações causais permite inferências
mesmo na ausência de interações históricas. Além disso, o modelo oferece explicabilidade causal ao identificar atributos influentes e caminhos causais no grafo de conhecimento que justificam cada recomendação. A análise qualitativa mostra que usuários com perfis similares compartilham padrões de recomendação consistentes, reforçando a capacidade interpretativa do modelo. Em conjunto, os resultados indicam que a integração entre inferência causal e redes neurais de grafos representa uma abordagem promissora para sistemas de recomendação mais precisos, confiáveis e explicáveis.
Banca examinadora
Titulares:
| Marcelo da Silva Reis | IC/UNICAMP |
| Thiago Alexandre Salgueiro Pardo | ICMC/USP |
| Marcos Medeiros Raimundo | IC/UNICAMP |
Suplentes:
| André Santanchè | IC/UNICAMP |
| Ronaldo Cristiano Prati | CMCC/UFABC |