Anisio Mendes Lacerda

Bolsista de Produtividade em Pesquisa do CNPq - Nível 2

  • Endereço para acessar este CV: http://lattes.cnpq.br/2034607422210997
  • Última atualização do currículo em 27/07/2018


Anisio é professor adjunto no Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG) e possui graduação em Ciência da Computação pela Universidade Federal de Minas Gerais (2005), mestrado em Ciência da Computação pela Universidade Federal de Minas Gerais (2008) e doutorado em Ciência da Computação pela Universidade Federal de Minas Gerais (2013). Foi pesquisador visitante na Carnegie Mellon University (2015). Atualmente é sócio da Sociedade Brasileira de Computação - Porto Alegre e da Association for Computing Machinery (ACM). Seus interesses de pesquisa envolvem aprendizado de maquina, recuperação de informação e sistemas de recomendação online e em larga-escala, atuando principalmente nos seguintes temas: recomendação multi-objetivo, cold-start e modelos probabilísticos de fatores latentes para recuperação de informação e representação de preferências de usuários. (Texto informado pelo autor)


Identificação


Nome
Anisio Mendes Lacerda
Nome em citações bibliográficas
LACERDA, A. M.;LACERDA, ANISIO;LACERDA, ANÍSIO

Endereço


Endereço Profissional
Centro Federal de Educação Tecnológica de Minas Gerais, Diretor Geral, Departamento de Computação.
Avenida Amazonas 5253
Nova Suiça
31270901 - Belo Horizonte, MG - Brasil
Telefone: (31) 33197000
URL da Homepage: http://decom.cefetmg.br/


Formação acadêmica/titulação


2009 - 2013
Doutorado em Ciências da Computação.
Universidade Federal de Minas Gerais, UFMG, Brasil.
Título: Revenue Optimization and Customer Targeting in Daily-Deals Sites, Ano de obtenção: 2013.
Orientador: Nivio Ziviani.
Coorientador: Adriano Veloso.
Bolsista do(a): Conselho Nacional de Desenvolvimento Científico e Tecnológico, CNPq, Brasil.
Palavras-chave: Recuperação de Informação; Sistemas de Recomendação; Aprendizado de Máquina.
Grande área: Ciências Exatas e da Terra
2006 - 2008
Mestrado em Ciências da Computação.
Universidade Federal de Minas Gerais, UFMG, Brasil.
Título: Uso de programação genética para propaganda direcionada baseada em conteúdo,Ano de Obtenção: 2008.
Orientador: Nivio Ziviani.
Bolsista do(a): Conselho Nacional de Desenvolvimento Científico e Tecnológico, CNPq, Brasil.
Grande área: Ciências Exatas e da Terra
Grande Área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Metodologia e Técnicas da Computação / Especialidade: Banco de Dados.
Grande Área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Metodologia e Técnicas da Computação / Especialidade: Sistemas de Informação.
2002 - 2005
Graduação em Ciencia da Computacao.
Universidade Federal de Minas Gerais, UFMG, Brasil.
97 - 99
Ensino Médio (2º grau).
Colégio Kennedy, CK, Brasil.




Formação Complementar


2016 - 2016
Bayesian Nonparametric Modeling and Data Analysis: An Introduction. (Carga horária: 12h).
Universidade Federal de Minas Gerais, UFMG, Brasil.
2007 - 2007
Google Residency in Technology Program. (Carga horária: 240h).
Universidade Federal de Minas Gerais, UFMG, Brasil.


Atuação Profissional



Carnegie Mellon University, CMU, Estados Unidos.
Vínculo institucional

2015 - 2015
Vínculo: Professor Visitante, Enquadramento Funcional: Professor Visitante
Outras informações
Trabalhando em conjunto com o Professor Eric Xing.


Centro Federal de Educação Tecnológica de Minas Gerais, CEFET/MG, Brasil.
Vínculo institucional

2014 - Atual
Vínculo: , Enquadramento Funcional: Professor Efetivo EBTT, Carga horária: 40, Regime: Dedicação exclusiva.

Atividades

01/2016 - Atual
Ensino, Engenharia de Computação, Nível: Graduação

Disciplinas ministradas
Aprendizado de Máquina
Laboratório de Programação de Computadores
01/2015 - 06/2015
Ensino, Engenharia de Computação, Nível: Graduação

Disciplinas ministradas
Laboratório de Algoritmos e Estrutura de Dados II
Laboratório de Programação de Computadores
Programação de Computadores
Sistemas Digitais para Computação
08/2014 - 12/2014
Ensino, Engenharia de Computação, Nível: Graduação

Disciplinas ministradas
Laboratório de Algoritmos e Estruturas de Dados II
Programação de Computadores
Laboratório de Programação de Computadores
Sistemas Digitais para Computação

Universidade Federal de Minas Gerais, UFMG, Brasil.
Vínculo institucional

2014 - 2014
Vínculo: , Enquadramento Funcional: Professor Substituto, Carga horária: 40, Regime: Dedicação exclusiva.

Vínculo institucional

2009 - 2009
Vínculo: Monitor de disciplina, Enquadramento Funcional: Monitoria de Recuperação de Informação, Carga horária: 4

Vínculo institucional

2006 - 2008
Vínculo: Bolsista, Enquadramento Funcional: Bolsista DTI, Carga horária: 40, Regime: Dedicação exclusiva.

Vínculo institucional

2007 - 2007
Vínculo: Monitor de disciplina, Enquadramento Funcional: Monitoria de Recuperação de Informação, Carga horária: 4

Vínculo institucional

2005 - 2006
Vínculo: Bolsista, Enquadramento Funcional: Bolsa ITI, Carga horária: 40, Regime: Dedicação exclusiva.

Vínculo institucional

2005 - 2006
Vínculo: Bolsista, Enquadramento Funcional: Bolsista de Iniciação Científica (MINER), Carga horária: 20, Regime: Dedicação exclusiva.
Outras informações
Bolsista de Iniciação Científica - Bolsa MINER


Zunnit Tecnologies, ZUNNIT, Brasil.
Vínculo institucional

2008 - 2013
Vínculo: Chief Technology Officer (CTO), Enquadramento Funcional: Diretor de Tecnologia, Carga horária: 40


Belgo-Mineira, BELGO-MINEIRA, Brasil.
Vínculo institucional

1999 - 1999
Vínculo: Estagiario, Enquadramento Funcional: Estagio curricular de nivel tecnico, Carga horária: 44
Outras informações
Atividades: Gerenciamento de banco de dados Access Auxilio a usuario de redes

Atividades

04/1999 - 07/1999
Estágios , Departamento de Manutencao Alto Forno A, .

Estágio realizado
Estagio curricular de nivel tecnico.

Sociedade Anonima Mineracao da Trindade, SAMITRI, Brasil.
Vínculo institucional

1999 - 2000
Vínculo: Estagio, Enquadramento Funcional: Estagio curricular, Carga horária: 44
Outras informações
Atividades: Gerenciamento de redes windows Gerenciamento de servidores de email Suporte tecnico a usuarios da rede Manutencao de perifericos em geral

Atividades

08/1999 - 02/2000
Estágios , Departamento de TI, .

Estágio realizado
Estagio curricular de nivel tecnico.

Sociedade Brasileira de Computação - Porto Alegre, SBC, Brasil.
Vínculo institucional

2014 - Atual
Vínculo: Sócio, Enquadramento Funcional: Sócio



Projetos de pesquisa


2018 - Atual
Modelos Probabilísticos para Tratamento de Incerteza em Sistemas de Recomendação
Descrição: ***********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..
Situação: Em andamento; Natureza: Pesquisa.
2017 - Atual
Modelos de Representação de Usuários e Itens em Espaços de Fatores Latentes Dinâmicos para Recomendação de Itens
Descrição: ***********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..
Situação: Em andamento; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (1) / Doutorado: (1) .
Integrantes: Anisio Mendes Lacerda - Coordenador / Gisele Lobo Pappa - Integrante / Flavio L. C. Padua - Integrante.
2017 - Atual
Métodos de Inferência Escaláveis para Sistemas de Recomendação baseados em Fatores Latentes
Descrição: ***********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..
Situação: Em andamento; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (1) / Doutorado: (1) .
Integrantes: Anisio Mendes Lacerda - Coordenador / Flavio L. C. Padua - Integrante.
2016 - Atual
FAPEMIG-PRONEX-MASWeb, Models, Algorithms and Systems for the Web

Projeto certificado pelo(a) coordenador(a) Nivio Ziviani em 28/10/2016.
Descrição: 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..
Situação: Em andamento; Natureza: Pesquisa.
2016 - Atual
Métodos de seleção e regressão múltipla para previsão de vendas de produtos
Descrição: 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..
Situação: Em andamento; Natureza: Pesquisa.
2015 - 2016
Abordagens Multi-Objetivo para Sistemas de Recomendação Online
Descrição: Sistemas de recomendação auxiliam usuários na tarefa de filtrar informação relevante por meio da sugestão de uma lista de itens. Porém, tais sistemas não devem levar apenas a relevância dos itens no momento de retornar sugestões. Além da relevância, métricas de qualidade da recomendação como novidade e diversidade devem ser consideradas pelo sistema. O objetivo deste projeto é considerar várias métricas de qualidade em sistemas de recomendação online. O grande desafio deste tipo de sistema são que novos itens e novos usuários são inseridos no sistema ao longo do tempo..
Situação: Concluído; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (1) .
Integrantes: Anisio Mendes Lacerda - Coordenador.
2015 - 2016
Sistemas de Recomendação de Imagens baseados em Modelos de Fatores Latentes
Descrição: **** Edital 185/14 PROPESQ - CEFET-MG **** 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 informaçã, mas à informação útil e personalizada. Neste contexto aparecem sistemas de recomendação, que fornecem sugestões de itens baseadas no interesse do usuário. Modelos de fatores latentes estão presentes nos algoritmos estado-da-arte em recomendação. Porém, estes modelos tem duas deficiências. Primeiro, eles ignoram a dependência temporal dos fatores latentes dos usuários e itens (i.e., que as preferências dos usuários e o conteúdo dos itens varia com o tempo). Segundo, em sistemas reais com grandes volumes de dados, a escalabilidade desses métodos é comprometida. O principal objetivo deste projeto é desenvolver um novo modelo de recomendação escalável, capaz de adaptar-se às interações entre usuários e itens ao longo do tempo. Para representar usuários e itens dinamicamente por meio de fatores latentes iremos utilizar técnicas não-paramétricas, tais como Processos de Dirichlet Dependentes (PDD). Para tornar esses métodos mais escaláveis, métodos sequenciais para inferência de modelos de fatores latentes, que evitam o modelo completo seja retreinado, serão considerados. Neste projeto, o foco são sistemas de recomendação de imagens capazes de combinar informação textual e visual para sugerir as melhores imagens para os usuários..
Situação: Concluído; Natureza: Pesquisa.
2015 - 2016
Sistemas de Recomendação Online Multi-Objetivo
Descrição: **** Edital Programa Institucional de Iniciação Científica - PIBIC (FAPEMIG) **** 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..
Situação: Concluído; Natureza: Pesquisa.
2015 - 2016
Sistemas de Recomendação baseados em Conteúdo
Descrição: **** Programa Jovens Talentos para a Ciência -- CAPES 035/15 **** Muitas aplicações reais demandam a ordenação de um conjunto de itens de acordo com sua importância a fim de otimizar um objetivo pré-definido. Por exemplo, em um cenário de varejo em lojas físicas, existe o problema de identificar os produtos mais vendidos para posicioná-los em locais de fácil acesso para os clientes das lojas. O objetivo deste posicionamento é aumentar a quantidade de itens vendidos e, por sua vez, aumentar o volume de vendas da loja. Assim, iremos modelar o problema em três fases distintas e sequenciais. As fases de solução do problema são: (i) aprendizado de ordenações, (ii) previsão de estimativas em subconjuntos de itens e (iii) normalização de estimativas. Do ponto de vista científico, este problema apresenta diversos desafios. Por exemplo, a seleção de um subconjunto de itens é um problema para o qual o custo é combinatorial no número de itens disponíveis. Dado que nos cenários de interesse deste projeto, i.e. seleção de anúncios online e de produtos a serem ofertados, temos vários itens disponíveis, precisamos de técnicas eficientes de seleção de itens promissores. Além deste desafio, nos cenários de aplicação deste projeto o número de variáveis independentes utilizadas para descrever os itens tende a ser muito grande. Por fim, dado que os métodos de regressão estimam os valores de sucesso para cada item individualmente, precisamos normalizar as estimativas levando em consideração os itens e a relação entre eles. O foco inicial deste projeto será a recomendação de items no varejo online. Porém, no decorrer do projeto pretende-se considerar items de outra natureza, por ex, notícias e filmes..
Situação: Concluído; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (1) .
Integrantes: Anisio Mendes Lacerda - Coordenador.
2015 - 2016
A Holistic Topic Model for the Reviewer Assignment Problem -- Microsoft Azzure
Descrição: Probabilistic Topic Models have gained popularity for discovering the thematic structure of large collection of documents. In this project, our goal is to extend these models to deal with the Reviewer Assignment Problem, by considering different sources of information and problem-related constraints. We believe that this is a relevant contribution, which represents an advance in the state of the art of both Probabilistic Topic Models and Reviewer Assignment Problem areas..
Situação: Concluído; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (1) .
Integrantes: Anisio Mendes Lacerda - Coordenador / Eric P. Xing - Integrante / Pengtao Xie - Integrante / Willie Neiswanger - Integrante / Xun Zheng - Integrante.Financiador(es): Microsoft Corporation - Outra.
2005 - 2007
AD_GP: Uma Abordagem utilizando Programação Genética para Publicidade Direcionada baseada em Conteúdo na Web
Descrição: Neste projeto iremos focar no problema de Publicidade Direcionada baseada em Conteúdo (PDC) na Web. É assumido que temos acesso a um número de evidências textuais (e.g., texto da página Web e da propaganda, a campanha publicitária ao qual a propaganda pertence, palavras-chave disponíveis para descrever o conteúdo da propaganda) que nos permitem escolher quais as ``melhores'' ou mais relevantes propagandas para uma determinada página Web. Tal escolha será determinada através da aplicação de uma dada função de similaridade que permite explorar as evidências disponíveis para permitir um melhor "casamento'" entre o texto da página Web e as propagandas ideais para ela. A especificação de tal função de similaridade frente ao grande número de possíveis evidências é uma tarefa extremamente complexa. Ribeiro-Neto et al, por exemplo, propuseram um conjunto de 10 estratégias baseada em variações do modelo vetorial clássico, e utilizando um conjunto bem mais reduzido de evidências do que pretendemos usar para o casamento entre páginas Web e propagandas. Ainda assim, as estratégias propostas proporcionaram ganhos substanciais sobre uma implementação vetorial pura. Contudo, nada garante que as estratégias propostas naquele trabalho constituem a melhor solução e que os resultados não possam ser melhorados através da descoberta de melhores funções de casamento. Para tanto, neste projeto propomos a utilização de Programação Genética (PG), uma técnica de aprendizado de máquina que permite descobrir, através de operações inspiradas em técnicas evolucionárias, funções de similaridade que potencialmente se adaptam melhor ao problema de PDC. Nossa hipótese é que PG é capaz de descobrir tais funções explorando e combinando as diversas fontes de evidência de forma a maximizar o número de propagandas relevantes sugeridos para uma determinada página Web. Este projeto ataca um problema de pesquisa novo e interessante na área de Recuperação de Informação, através de uma ab..
Situação: Concluído; Natureza: Pesquisa.


Revisor de periódico


2015 - Atual
Periódico: ACM Transactions on Intelligent Systems and Technology
2015 - Atual
Periódico: Information Processing & Management


Áreas de atuação


1.
Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação.
2.
Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Aprendizagem de Máquina.
3.
Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Sistemas de Recomendação.
4.
Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Recuperação de Informação.


Idiomas


Inglês
Compreende Bem, Fala Bem, Lê Bem, Escreve Bem.
Espanhol
Compreende Razoavelmente, Fala Pouco, Lê Razoavelmente.


Prêmios e títulos


2014
Best paper of the 3rd Brazilian Workshop on Social Network Analysis and Mining (BraSNAM 2014), Sociedade Brasileira de Computação.
2010
UOL Bolsa Pesquisa, Universo Online (UOL).
2009
Melhor dissertação de mestrado em 2008 no Programa de Pós-Graduação em Ciência da Computação da UFMG, Google Academic Prize: Top Master Student in Computer Science at UFMG in 2008.
2009
UOL Bolsa Pesquisa, Universo Online (UOL).


Produções



Produção bibliográfica
Artigos completos publicados em periódicos

1.
3SOUZA, CELSO L.2018SOUZA, CELSO L. ; PÁDUA, FLÁVIO L.C. ; LIMA, VERA L.S. ; LACERDA, ANISIO ; CARNEIRO, CARLOS A.G. . A computational approach to support the creation of terminological neologisms in sign languages. COMPUTER APPLICATIONS IN ENGINEERING EDUCATION, v. 1, p. 1-18, 2018.

2.
2LACERDA, ANISIO2017LACERDA, ANISIO. Multi-Objective Ranked Bandits for Recommender Systems. NEUROCOMPUTING, v. 246, p. 12-24, 2017.

3.
4JACOB, HUGO2017JACOB, HUGO ; PÁDUA, FLÁVIO L. C. ; LACERDA, ANISIO ; PEREIRA, ADRIANO C. M. . A video summarization approach based on the emulation of bottom-up mechanisms of visual attention. JOURNAL OF INTELLIGENT INFORMATION SYSTEMS, v. 49, p. 193-211, 2017.

4.
1BICALHO, PAULO2017BICALHO, PAULO ; PITA, MARCELO ; PEDROSA, GABRIEL ; LACERDA, ANISIO ; PAPPA, GISELE L. . A General Framework to Expand Short Text for Topic Modeling. Information Sciences, v. 393, p. 66-81, 2017.

5.
5BESSAS, I. L.2016BESSAS, I. L. ; PADUA, F. L. C. ; ASSIS, G. T. ; CARDOSO, R. T. N. ; LACERDA, ANÍSIO . Automatic and online setting of similarity thresholds in content-based visual information retrieval problems. EURASIP Journal on Advances in Signal Processing (Online), v. 2016, p. 1-16, 2016.

6.
6BRITO, D. N.2016BRITO, D. N. ; NUNES, C. F. G. ; PADUA, F. L. C. ; LACERDA, ANISIO . Evaluation of Interest Point Matching Methods for Projective Reconstruction of 3D Scenes. Revista IEEE América Latina, v. 14, p. 1393-1400, 2016.

7.
7LACERDA, ANISIO2015LACERDA, ANISIO; SANTOS, RODRYGO L. T. ; VELOSO, ADRIANO ; Ziviani, Nivio . Improving daily deals recommendation using explore-then-exploit strategies. Information Retrieval (Boston), v. 18, p. 95-122, 2015.

8.
8RIBEIRO, MARCO TULIO2015RIBEIRO, MARCO TULIO ; Ziviani, Nivio ; MOURA, EDLENO SILVA DE ; HATA, ITAMAR ; LACERDA, ANISIO ; VELOSO, ADRIANO . Multiobjective Pareto-Efficient Approaches for Recommender Systems. ACM Transactions on Intelligent Systems and Technology, v. 5, p. 1-20, 2015.

9.
9GUIMARAES, A.2013GUIMARAES, A. ; COSTA, T. F. ; LACERDA, A. M. ; PAPPA, G. L. ; Ziviani, Nivio . GUARD: A Genetic Unified Approach for Recommendation. Journal of Information and Data Management - JIDM, v. 4, p. 295-310, 2013.

10.
10Matos-Junior, O.2012Matos-Junior, O. ; ZIVIANI, N. ; Botelho, Fabiano C. ; Cristo, Marco ; LACERDA, A. M. ; Silva, A. S. . Using Taxonomies for Product Recommendation. Journal of Information and Data Management - JIDM, v. 3, p. 85-100, 2012.

11.
11Botelho, Fabiano C.2011Botelho, Fabiano C. ; LACERDA, ANÍSIO ; Menezes, Guilherme Vale ; Ziviani, Nivio . Minimal perfect hashing: A competitive method for indexing internal memory. Information Sciences, v. 181, p. 2608-2625, 2011.

Trabalhos completos publicados em anais de congressos
1.
FORTES, R. ; LACERDA, ANISIO ; BRUNKNER, C. ; FREITAS, A. ; GOUVEIA, D. ; GONCALVES, M. A. . User-Oriented Objective Prioritization for Meta-Featured Multi-Objective Recommender Systems. In: ACM User Modeling, Adaptation, and Personalization Conference, 2018, Singapura. Proceedings of the 26th Conference on User Modeling, Adaptation and Personalization (UMAP'18), 2018.

2.
OLIVEIRA, S. ; DINIZ, V. ; LACERDA, ANISIO ; PAPPA, G. L. . Multi-objective Evolutionary Rank Aggregation for Recommender Systems. In: IEEE World Congress on Computational Intelligence (IEEE WCCI), 2018, Rio de Janeiro. Proceedings of 2018 IEEE International Congress on Evolutionary Computation (CEC'18), 2018.

3.
OLIVEIRA, S. ; LACERDA, ANISIO ; PAPPA, G. L. ; BRUM, P. P. V. . Exploiting Multiple Recommenders to Improve Group Recommendation. In: Brazilian Conference on Intelligent System (BRACIS), 2018, São Paulo. 7th Brazilian Conference on Intelligent System (BRACIS'18), 2018.

4.
ANICIO, A. C. A. ; LACERDA, ANISIO ; PAPPA, G. ; Pádua, F.L.C. . A Multimodal Recommendation Framework based on Low-dimensional Latent Factors. In: XIV National Meeting on Artificial and Computational Intelligence, 2017, Uberlândia. Anais do XIV ENIAC (ENIAC'17), 2017. v. 1. p. 1-12.

5.
RODRIGUES, O. A. M. ; LACERDA, ANISIO ; Pádua, F.L.C. . Improved User Cold-Start Recommendation via Two-Level Bandit Algoritms. In: XIV National Meeting on Artificial and Computational Intelligence, 2017, Uberlândia. Anais do XIV ENIAC (ENIAC'17), 2017. v. 1. p. 1-12.

6.
CARMO, R. R. ; LACERDA, ANISIO ; DALIP, D. H. . A Majority Voting Approach for Sentiment Analysis in Short Texts using Topic Models. In: Simpósio Brasileiro de Sistemas Multimídia e Web, 2017, Gramado. Anais do XXIII do WebMedia (WebMedia'18), 2017. v. 1. p. 1-8.

7.
NASCIMENTO, G. ; LARANJEIRA, C. ; BRAZ, V. ; LACERDA, ANISIO ; NASCIMENTO, E. R. . A Robust Indoor Scene Recognition Method based on Sparse Representation. In: Iberoamerican Congress on Pattern Recognition, 2017, Valparaíso. CIARP'17, 2017. v. 1. p. 1-8.

8.
OLIVEIRA, S. ; DINIZ, V. ; LACERDA, ANISIO ; PAPPA, G. . Evolutionary Rank Aggregation for Recommender Systems. In: Proceedings of 2016 IEEE International Congress on Evolutionary Computation (IEEE CEC), 2016, Vancouver. IEEE World Congress on Computational Intelligence (CEC'16), 2016.

9.
PEDROSA, G. ; BICALHO, P. ; PITA, M. ; LACERDA, ANISIO ; PAPPA, G. L. . Topic Modeling for Short Texts with Co-ocurrence Frequency-based Expansion. In: Brazilian Conference on Intelligent System (BRACIS), 2016, Recife. 5th Brazilian Conference on Intelligent System (BRACIS'16), 2016.

10.
IZIDORO, S. ; LACERDA, A. M. ; PAPPA, G. L. . MeGASS: Multi-Objective Genetic Active Site Search. In: Workshop on Evolutionary Computation in Computational Structural Biology/GECCO'15, 2015, Madrid. Proc. of the GECCO'15 Companion, 2015.

11.
LACERDA, A. M.. Contextual Bandits for Multi-Objective Recommender Systems. In: Brazilian Conference on Intelligent System (BRACIS), 2015, Natal. The 4th Brazilian Conference on Intelligent Systems, 2015.

12.
LACERDA, A. M.; VELOSO, A. A. ; Ziviani, Nivio . Adding Value to Daily-Deals Recommendation: Multi-Armed Bandits to Match Customers and Deals. In: Brazilian Conference on Intelligent Systems (BRACIS'15), 2015, Natal. The 4th Brazilian Conference on Intelligent Systems, 2015.

13.
BIDART, R. ; PEREIRA, A. C. M. ; ALMEIRA, J. ; LACERDA, ANISIO . Para Onde Devo Viajar: Recomendação de Cidades Baseada em Comunidades de Usuários. In: III Brazilian Workshop on Social Network Analysis and Mining (BraSNAM), 2014, Brasília. Proc. of the III Brazilian Workshop on Social Network Analysis and Mining (BraSNAM), 2014.

14.
COSTA, T. F. ; LACERDA, ANISIO ; SANTOS, R. ; Ziviani, Nivio . Information-theoretic term selection for new item recommendation. In: International Symposium on String Processing and Information Retrieval, 2014, Ouro Preto. 21st edition of the International Symposium on String Processing and Information Retrieval (SPIRE), 2014.

15.
LACERDA, ANISIO; VELOSO, A. A. ; SANTOS, R. ; Ziviani, Nivio . Context-aware deal size prediction. In: International Symposium on String Processing and Information Retrieval (SPIRE), 2014, Ouro Preto. 21st edition of the International Symposium on String Processing and Information Retrieval, 2014.

16.
BIDART, R. ; PEREIRA, A. C. M. ; ALMEIRA, J. ; LACERDA, ANISIO . Where Should I Go? City Recommendation Based on User Communities. In: 9th Latin American World Wide Web Congress (LA-WEB 2014), 2014, Ouro Preto. Proc. of the 9th Latin American World Wide Web Congress. Los Alamitos, CA: IEEE Computer Society, 2014.

17.
LACERDA, ANISIO; Ziviani, Nivio . Building user profiles to improve user experience in recommender systems. In: the sixth ACM international conference, 2013, Rome. Proceedings of the sixth ACM international conference on Web search and data mining - WSDM '13. New York: ACM Press. p. 759.

18.
LACERDA, ANISIO; VELOSO, ADRIANO ; Ziviani, Nivio . Exploratory and interactive daily deals recommendation. In: the 7th ACM conference, 2013, Hong Kong. Proceedings of the 7th ACM conference on Recommender systems - RecSys '13. New York: ACM Press. p. 439.

19.
MENEZES, D. ; LACERDA, A. M. ; VELOSO, A. A. ; Ziviani, Nivio . Weighted Slope One Predictors Revisited. In: International World Wide Web Conference Companion, 2013, Rio de Janeiro. WWW 2013 Companion, 2013.

20.
RIBEIRO, MARCO TULIO ; LACERDA, ANISIO ; VELOSO, ADRIANO ; Ziviani, Nivio . Pareto-efficient hybridization for multi-objective recommender systems. In: the sixth ACM conference, 2012, Dublin. Proceedings of the sixth ACM conference on Recommender systems - RecSys '12. New York: ACM Press. p. 19.

21.
Menezes, Guilherme Vale ; Almeida, J. ; Belem, F. ; GONCALVES, M. ; LACERDA, A. M. ; Moura, E. S. ; PAPPA, G. L. ; VELOSO, A. A. ; ZIVIANI, N. . Demand-Driven Tag Recommendation. In: European Conference on Principles and Practice of Knowledge Production in Computer Science, 2010, Barcelona. Lecture Notes in Computer Science, 2010. v. 1. p. 402-417.

22.
LACERDA, A. M.; CRISTO, M. ; GONCALVES, M. ; FAN, W. ; ZIVIANI, N. ; RIBEIRO NETO, B. . Learning to advertise. In: 29th Annual International ACM SIGIR, 2006, Seattle. 29th Annual International ACM SIGIR. New York: ACM Press, 2006. v. 1. p. 549-556.

Apresentações de Trabalho
1.
LACERDA, A. M.. Adding Value to Daily-Deals Recommendation: Multi-Armed Bandits to Match Customers and Deals. 2015. (Apresentação de Trabalho/Conferência ou palestra).

2.
LACERDA, A. M.. Contextual Bandits for Multi-Objective Recommender Systems. 2015. (Apresentação de Trabalho/Conferência ou palestra).

3.
LACERDA, A. M.; VELOSO, A. A. ; Ziviani, Nivio . Exploratory and Interactive Daily Deals Recommendation. 2013. (Apresentação de Trabalho/Conferência ou palestra).

4.
LACERDA, A. M.; Ziviani, Nivio . Building user profiles to improve user experience in recommender systems,. 2013. (Apresentação de Trabalho/Conferência ou palestra).

5.
MENEZES, D. ; LACERDA, A. M. ; VELOSO, A. A. ; Ziviani, Nivio . Weighted slope one predictors revisited. 2013. (Apresentação de Trabalho/Conferência ou palestra).

6.
RIBEIRO, M. T. ; LACERDA, A. M. ; VELOSO, A. A. ; Ziviani, Nivio . Pareto-Efficient Hybridization for Multi-Objective Recommender Systems. 2012. (Apresentação de Trabalho/Conferência ou palestra).

7.
LACERDA, A. M.; CRISTO, M. ; GONCALVES, M. ; FAN, W. ; RIBEIRO NETO, B. ; ZIVIANI, N. . Learning to Advertise. 2006. (Apresentação de Trabalho/Conferência ou palestra).


Produção técnica
Programas de computador sem registro
1.
NASCIMENTO, E. R. ; LACERDA, A. M. ; FERNANDES JUNIOR, F. A. ; BARBARA, J. V. A. . Vizualizador Grafico. 2003.

2.
LACERDA, A. M.. Software de prevencao a LER. 2000.

Produtos tecnológicos
1.
Ziviani, Nivio ; Laender, A. ; Silva, A. ; Moura, E. S. ; LACERDA, ANISIO ; MENEZES, G. ; Souza, A. . Z-Engine - Sistema de Recomendação na Web. 2010.

Trabalhos técnicos
1.
PRUDENCIO, R. B. C. ; CANUTO, A. M. P. ; PAPPA, G. L. ; DELGADO, M. ; LACERDA, ANISIO ; OLIVEIRA, G. M. B. ; TINOS, R. . Comissão Especial de Inteligência Computacional (SBC). 2017.

2.
LACERDA, A. M.. Membro do Comitê de Programa do BRACIS. 2015.

3.
LACERDA, A. M.. Revisor do BRACIS. 2014.



Patentes e registros



Patente

A Confirmação do status de um pedido de patentes poderá ser solicitada à Diretoria de Patentes (DIRPA) por meio de uma Certidão de atos relativos aos processos
1.
 PADUA, F. L. C. ; Lima, V.L.S. ; SOUZA, C. L. ; CARNEIRO, C. A. G. ; LACERDA, ANISIO . SISTEMA E MÉTODOS PARA GERAÇÃO, PRESERVAÇÃO E SINALIZAÇÃO DE NEOLOGISMOS TERMINOLÓGICOS EM LÍNGUAS DE SINAIS. 2017, Brasil.
Patente: Privilégio de Inovação. Número do registro: BR10201700216, título: "SISTEMA E MÉTODOS PARA GERAÇÃO, PRESERVAÇÃO E SINALIZAÇÃO DE NEOLOGISMOS TERMINOLÓGICOS EM LÍNGUAS DE SINAIS" , Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial. Depósito: 01/02/2017



Bancas



Participação em bancas de trabalhos de conclusão
Mestrado
1.
MANZATO, M.; LACERDA, ANISIO; PEREIRA, A. C. M.; PRAZERES, C.. Participação em banca de Ronnie Shida Marinho. Desambiguação lexical de revisões de itens aplicada em sistemas de recomendação. 2018. Dissertação (Mestrado em Ciências da Computação e Matemática Computacional) - Universidade de São Paulo.

2.
PEREIRA JUNIOR, A. R.; LACERDA, ANISIO; FORTES, R.; FERREIRA, A. A.. Participação em banca de Filipe Augusto Rodrigues Nepomuceno. Uma metodologia de avaliação para sistemas de recomendação de rádios Web. 2018. Dissertação (Mestrado em CIÊNCIA DA COMPUTAÇÃO) - Universidade Federal de Ouro Preto.

3.
Pádua, F.L.C.; SANTOS, J. A.; LACERDA, ANISIO. Participação em banca de Cristiano Fraga Guimaraes Nunes. Descritor Local Baseado em Filtros Log-Gabor para Correspondencia de Pontos-Chave em Imagens Multiespectrais. 2017. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais.

4.
RODRIGUES, T. S.; DIAS, S. R.; SEMENCHENKO, A.; LACERDA, ANISIO. Participação em banca de Otaviano Martins Monteiro. Desenvolvimento de uma metodologia baseada em matriz de distâncias para a verificação de similaridades de proteínas. 2017. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais.

5.
LACERDA, ANISIO; Pádua, F.L.C.; PEREIRA JUNIOR, A. R.; RODRIGUES, T. S.. Participação em banca de Anna Cláudia Almeida. Um Arcabouço de Recomendação Multimodal de Imagens baseado em Fatores Latentes de Baixa Dimensionalidade. 2017. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais.

6.
LACERDA, ANISIO; Pádua, F.L.C.; BAX, M. P.; PEREIRA, A. C. M.. Participação em banca de Otávio Augusto Malheiros Rodrigues. Aprendizado por Reforço baseado em Agrupamentos para Recomendação na Ausência de Informação Prévia. 2017. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais.

7.
SANTOS, R.; LACERDA, ANISIO; ZIVIANI, N.; MELO, P. O. S. V.. Participação em banca de Jordan Silva. Nearby places: on location-based pruning for point-of-interest recommendation. 2017. Dissertação (Mestrado em Ciências da Computação) - Universidade Federal de Minas Gerais.

8.
PAPPA, G. L.; LACERDA, ANISIO; GONCALVES, M. A.; MELO, P. O. S. V.; MEIRA JR., W.. Participação em banca de Paulo Viana Bicalho. A General Framework to Expand Short Text for Topic Modeling. 2017. Dissertação (Mestrado em Ciências da Computação) - Universidade Federal de Minas Gerais.

9.
SANTOS, V. F.; MARTINS, F. V. C.; LACERDA, ANISIO; FREITAS, A. R. R.; CHAIMOWICZ, L.. Participação em banca de Henrique Barros Lopes. Combinando regras e proporções: uma abordagem multiobjetivo para composição musical algorítimica. 2017. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais.

10.
PEREIRA, A. C. M.; LACERDA, ANISIO; PAPPA, G.; MEIRA JR., W.. Participação em banca de Rafael Franca Lima. Estrategias de Selecao de Atributos para Deteccao de Anomalias em Transacoes Eletronicas. 2016. Dissertação (Mestrado em Ciências da Computação) - Universidade Federal de Minas Gerais.

11.
NASCIMENTO, E. R.; LACERDA, ANISIO; CAMPOS, M. F. M.; SCHWARTZ, W. R.. Participação em banca de Guilherme da Silva Nascimento. On modeling scene composition with sparse coding for robust indoor scene recognition. 2016. Dissertação (Mestrado em Ciências da Computação) - Universidade Federal de Minas Gerais.

12.
BIDART, R.; PEREIRA, A. C. M.; ALMEIRA, J.; LACERDA, ANÍSIO. Participação em banca de Ruhan Bidart. Método Hierárquico de Recomendação de Cidades para Aplicações de Turismo. 2013. Dissertação (Mestrado em Ciências da Computação) - Universidade Federal de Minas Gerais.

Teses de doutorado
1.
Pádua, F.L.C.; SILVA, G. D.; SOUZA, F. B.; BAX, M. P.; LACERDA, ANISIO; PEREIRA, A. C. M.. Participação em banca de Moisés Henrique Ramos Pereira. Análise de sentimentos multimodal aplicada à computação de níveis de tensão em vídeos de notícias. 2018. Tese (Doutorado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais.

2.
Pádua, F.L.C.; Lima, V.L.S.; STUMPF, M. R.; NASCIMENTO, E. R.; LACERDA, ANISIO; MAGALHAES, A. R. B.. Participação em banca de Celso Luiz de Souza. Abordagem computacional para criação de neologismos terminológicos em línguas de sinais. 2018. Tese (Doutorado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais.

Qualificações de Doutorado
1.
PAPPA, G. L.; CARVALHO, A. C. P. L. F.; LACERDA, ANISIO; MERSHMANN, L. H. C.; SANTOS, R.. Participação em banca de Samuel Evangelista Lima de Oliveira. Machine Learning Strategies for Rank Aggregation in Recommender Systems. 2016. Exame de qualificação (Doutorando em Ciências da Computação) - Universidade Federal de Minas Gerais.

2.
Pádua, F.L.C.; PEREIRA, A. C. M.; LACERDA, ANISIO; MANZATO, M. G.; BAX, M. P.; RODRIGUES, T. S.; SANTOS, V. F.. Participação em banca de Felipe Leandro Andrade da Conceicao. Abordagem Multimodal para Solucao do Problema Cold-Start de Itens em Recomendacao de Videos. 2016. Exame de qualificação (Doutorando em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais.

Qualificações de Mestrado
1.
MANZATO, M. G.; LACERDA, ANISIO; ISOTANI, S.. Participação em banca de Eduardo Pereira Fressato. Modelo de fatoração de matrizes incorporado com informações semânticas para recomendação de conteúdo. 2017. Exame de qualificação (Mestrando em Ciências da Computação e Matemática Computacional) - Universidade de São Paulo.

Trabalhos de conclusão de curso de graduação
1.
LACERDA, ANISIO; Pádua, F.L.C.; DALIP, D. H.. Participação em banca de Augusto Sérgio dos Santos.Recomendação de Imagens baseada em informações heterogêneas. 2018. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais.

2.
Pádua, F.L.C.; LACERDA, ANISIO; SILVA, F. R.. Participação em banca de Matheus Barcelos de Oliveira.Detecção Automática de Jogadores de Futsal baseada em Visão Computacional. 2017. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais.

3.
SARUBBI, J. F. M.; LACERDA, ANISIO; CRUZ, A. R.. Participação em banca de Marcelo Fonseca Faraj.A local search genetic algorithm to optimize roadside unit placement in vehicular networks based on gamma deployment metric. 2017. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais.

4.
LACERDA, ANISIO; SILVA, F. R.; GOMES, R. M.. Participação em banca de Alysson Soares Teixeira.Abordagem multiobjetivo em sistemas de recomendação para grupos de usuários. 2017. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais.

5.
LACERDA, ANISIO; MARCHETTI, E.; SILVA, F. R.. Participação em banca de Geraldo Vinícius Costa.Modelo de reordenação baseada em análise de viés para sistemas de recomendação. 2017. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais.

6.
LACERDA, ANISIO; DALIP, D. H.; SILVA, I. S.; SILVA, F. R.. Participação em banca de Rodrigo Rodrigues do Carmo.Método de votação para análise de sentimento em textos curtos usando representação de tópicos. 2017. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais.

7.
BARRIENTOS, A. Y. M.; LACERDA, ANISIO; MURTA, C.. Participação em banca de Túlio Braga.Avaliação e Extração de Características para Plataformas de Big Data. 2016. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais.

8.
LACERDA, A. M.; COUTINHO, F. R.; BARBOSA, G.; SILVA, I.. Participação em banca de Phillipe Rodrigues.Apreciação da aplicabilidade da análise de sentimento para avaliação da experiência do usuário em aplicativos móveis. 2015. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais.

9.
MURTA, C.; LACERDA, ANISIO; SILVA, E. M.. Participação em banca de André Herculano.Mineração de Dados Aplicada ao Portal da Transparência do Governo Federal. 2014. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais.



Participação em bancas de comissões julgadoras
Concurso público
1.
LACERDA, ANISIO. Banca de professor efetivo - Universidade Federal de Itajubá (Campus Itabira). 2016.

Outras participações
1.
LACERDA, A. M.; MAFFORT, C.; SOUZA, S. A.. Banca de professor substituto. 2016. Centro Federal de Educação Tecnológica de Minas Gerais.



Eventos



Participação em eventos, congressos, exposições e feiras
1.
WSDM 2014 Doctoral Consortium.Building user profiles to improve user experience in recommender systems. 2014. (Seminário).

2.
4th International Workshop on Social Recommender Systems.Weighted slope one predictors revisited. 2013. (Seminário).

3.
ACM Conference on Recommender Systems. Exploratory and interactive daily deals recommendation. 2013. (Congresso).

4.
ACM Conference on Recommender Systems. Pareto-efficient hybridization for multi-objective recommender systems. 2012. (Congresso).

5.
The 29th annual international ACM SIGIR conference. Learning to Advertise. 2006. (Congresso).

6.
The 28th Annual International ACM SIGIR Conference.. 2005. (Congresso).



Orientações



Orientações e supervisões em andamento
Dissertação de mestrado
1.
Josemar Figueiredo Pereira. Recomendação para Grupos baseada em Aprendizado de Ordenações. Início: 2018. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais. (Orientador).

2.
Lucas Gabriel Lage Costa. Sistemas de Recomendação baseados em Inferência Causal. Início: 2018. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais. (Orientador).

3.
Bernardo José Vitor da Silva. Modelos Gráficos Profundos para Recomendação de Artigos Científicos. Início: 2017. Dissertação (Mestrado profissional em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais. (Orientador).

4.
Reinaldo Carlos Mendes. Modelos de Construcao de Dicionarios baseados em Autoencoders para Recomendacao Multimodal de Imagens. Início: 2017. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais. (Orientador).

5.
Matheus Henrique Soares da Silva. Sistemas de Recomendação Interativos. Início: 2017. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais. (Orientador).

6.
Camila Laranjeira da Silva. (A definir). Início: 2016. Dissertação (Mestrado em Ciências da Computação) - Universidade Federal de Minas Gerais, Conselho Nacional de Desenvolvimento Científico e Tecnológico. (Coorientador).

7.
Felipe Augusto Pereira Fernandes. Combinação de Algoritmos de Classificação para Previsão de Resultados de Partidas Esportivas. Início: 2016. Dissertação (Mestrado profissional em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais. (Coorientador).

Tese de doutorado
1.
Reinaldo Silva Fortes. Recomendação Multi-objetivo baseada em Meta-features. Início: 2018. Tese (Doutorado em Ciências da Computação) - Universidade Federal de Minas Gerais. (Coorientador).

2.
Antônio de Assis Alves Júnior. Modelos para Recomendação de Vídeos baseados em Redes Neurais Recorrentes. Início: 2017. Tese (Doutorado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais. (Orientador).

3.
Felipe Leandro A. da Conceição. Combinação de Caraterísticas Visuais e Textuais para Recomendação de Vídeos na Web. Início: 2015. Tese (Doutorado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais. (Coorientador).

Trabalho de conclusão de curso de graduação
1.
Lucas Ramon dos Santos Alves. Sistemas de Recomendação para Diagnóstico Médico. Início: 2018. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. (Orientador).

2.
Raíssa Cristina Corrêa Dutra. Sistema de Recomendação Multiobjetivo baseado em Contexto. Início: 2017. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. (Orientador).

Iniciação científica
1.
Marco Antônio do Espírito Santo. Modelos baseados em Heurísticas para Recomendação Multimodal. Início: 2017. Iniciação científica (Graduando em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. (Orientador).

2.
Lauro Cesar Jacques Santos. Descritores Multimodais de Imagens. Início: 2016. Iniciação científica (Graduando em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. (Orientador).


Orientações e supervisões concluídas
Dissertação de mestrado
1.
Renato Barros Arantes. Sistemas de Recomendação baseados em Vetores de Palavras e Propriedades de Redes Complexas. 2018. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais, . Orientador: Anisio Mendes Lacerda.

2.
Anna Cláudia Almeida. Um Arcabouço de Recomendação Multimodal de Imagens baseado em Fatores Latentes de Baixa Dimensionalidade. 2017. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Orientador: Anisio Mendes Lacerda.

3.
Otávio Augusto Malheiros Rodrigues. Aprendizado por Reforço baseado em Agrupamentos para Recomendação na Ausência de Informação Prévia. 2017. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Anisio Mendes Lacerda.

4.
Paulo Viana Bicalho. A General Framework to Expand Short Text for Topic Modeling. 2016. Dissertação (Mestrado em Ciências da Computação) - Universidade Federal de Minas Gerais, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Coorientador: Anisio Mendes Lacerda.

Trabalho de conclusão de curso de graduação
1.
Augusto Sérgio dos Santos. Recomendação de Imagens baseada em Informações Heterogêneas. 2018. Trabalho de Conclusão de Curso. (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. Orientador: Anisio Mendes Lacerda.

2.
Geraldo Vinícius Costa Milholo. Modelos de Reordenação baseada em Análise de Viés para Sistemas de Recomendação. 2017. Trabalho de Conclusão de Curso. (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. Orientador: Anisio Mendes Lacerda.

3.
Alysson Soares Teixeira. Recomendação para Grupos: Uma Abordagem baseada em Tópicos e Seleção por Fronteira de Pareto. 2017. Trabalho de Conclusão de Curso. (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. Orientador: Anisio Mendes Lacerda.

4.
Rodrigo Rodrigues do Carmo. Método de Votação para Análise de Sentimento em Textos Curtos usando Representação de Tópicos. 2017. Trabalho de Conclusão de Curso. (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. Orientador: Anisio Mendes Lacerda.

5.
Túlio Braga Moreira Pinto. Avaliação de desempenho do Apache Tez e Apache Spark para processamento de grandes volumes de dados. 2016. Trabalho de Conclusão de Curso. (Graduação em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. Orientador: Anisio Mendes Lacerda.

6.
Gabriel Poesia Reis e Silva. (Co-orientador) Um Estudo Comparativo de Algoritmos de Learning to Rank para Sistemas de Recomendação (Projeto Orientado 2). 2014. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal de Minas Gerais. Orientador: Anisio Mendes Lacerda.

7.
Erika Sthefany Mendes Cunha. (Co-orientador) Algoritmos de Recomendação baseados em Entidades. 2014. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Pontifícia Universidade Católica de Minas Gerais. Orientador: Anisio Mendes Lacerda.

Iniciação científica
1.
Vitor Lemos Silveira. Abordagens de Fatores Latentes para Sistemas de Recomendação Online. 2016. Iniciação Científica. (Graduando em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais, Fundação de Amparo à Pesquisa do Estado de Minas Gerais. Orientador: Anisio Mendes Lacerda.

2.
Lauro Cesar Jacques Santos. Modelos de fatores latentes para recomendação em múltiplos domínios. 2016. Iniciação Científica. (Graduando em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Anisio Mendes Lacerda.

3.
Marco Antônio do Espírito Santo. Um estudo comparativo de algoritmos para análise de sentimentos em textos.. 2015. Iniciação Científica. (Graduando em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Anisio Mendes Lacerda.

4.
Raíssa Cristina Corrêa Dutra. Sistemas de recomendação baseados em conteúdo. 2015. Iniciação Científica. (Graduando em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. Orientador: Anisio Mendes Lacerda.

5.
Guilherme Fernandes Marchezini. Sistemas de recomendação multi-objetivo. 2015. Iniciação Científica. (Graduando em Engenharia de Computação) - Centro Federal de Educação Tecnológica de Minas Gerais. Orientador: Anisio Mendes Lacerda.



Inovação



Patente
1.
 PADUA, F. L. C. ; Lima, V.L.S. ; SOUZA, C. L. ; CARNEIRO, C. A. G. ; LACERDA, ANISIO . SISTEMA E MÉTODOS PARA GERAÇÃO, PRESERVAÇÃO E SINALIZAÇÃO DE NEOLOGISMOS TERMINOLÓGICOS EM LÍNGUAS DE SINAIS. 2017, Brasil.
Patente: Privilégio de Inovação. Número do registro: BR10201700216, título: "SISTEMA E MÉTODOS PARA GERAÇÃO, PRESERVAÇÃO E SINALIZAÇÃO DE NEOLOGISMOS TERMINOLÓGICOS EM LÍNGUAS DE SINAIS" , Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial. Depósito: 01/02/2017




Página gerada pelo Sistema Currículo Lattes em 11/12/2018 às 23:32:11