Sistemas de recomendación Público Deposited
Los Sistemas de Recomendación son de gran utilidad para tratar la sobrecarga de información de la web ya que consisten en herramientas de software y técnicas que proveen sugerencias al usuario respecto a un producto en específico que le pueda ser de su interés. Este proyecto está enfocado a Sistema de Recomendación de Películas, no obstante puede ser adaptado para algún otro tipo de producto como música, libros, restaurantes, etc. Se realizó experimentación para comparar el comportamiento de las recomendaciones con: Diferentes distancias: euclidiana, Manhattan y correlación de Pearson con el fin de ver cual daba menor valor en la raíz del error cuadrático de la media (RMSE) y el error medio absoluto (MAE) en las recomendaciones. Diferentes técnicas de agrupamiento: affinity propagation, bisecting K-Means, KMeans, K-Medoids y X-Mean. Diferente conjunto de datos: Se realiza experimentación tomando en cuenta opiniones de usuarios y opiniones de expertos para ver cuáles dan menor error RMSE y MAE. La implementación fue utilizada en su mayoría en MATLAB (ver A.2. ), mientras WEKA (ver A.1. ) fue utilizada para X-Mean y K-Means así como la implementación de KMedoids. El mejor resultado en la experimentación se encontró en el conjunto de usuarios utilizando distancia euclidiana, bisecting K-Means y con un K = 37. Dentro de las conclusiones más relevantes encontradas se puede mencionar las siguientes: No necesariamente una opinión experta es la mejor ya que en el caso de conjunto de expertos los errores salieron más altos, esto puede deberse a la poca información que ofrece cada experto. - Un conjunto distribuido mas uniformemente en general da mejores resultados que aquellos que se distribuyen de una forma muy esparcida, esto lo podemos observar más adelante en los resultados de las técnicas que distribuyen mejor los datos como bisecting K-Menas, X-Means y affinity propagation contra los que los tienen muy dispersos como K-Means o K-Medoids. - Un número de K óptimo es difícil de encontrar, aquí se propusieron algunos basándonos en algunas hipótesis, métodos que la obtienen, sin embargo, no se encontró una que pudiera ser siempre la apropiada.
Recommender Systems are useful for dealing with the large amount of information found on the web. They consist of software tools and techniques which provide suggestions to the user about a specific product that may be his interest. This project focuses on Recommender Systems for movies; however it can be adapted to any other type of Recommender Systems. Experiments were carried out to compare the behavior of the recommendations with: Different distances: euclidean, Manhattan and Pearson correlation in order to see which value of RMSE or MAE was lowest. Different clustering techniques: affinity propagation, bisecting K-Means, K-Means, KMedoids and X-Mean. Different data sets: testing is performed taking user reviews and expert reviews to see which gave the lowest value of RMSE or MAE. The implementations generally were performed using MATLAB (see A.2. ), while WEKA (see A.1. ) was used for X-Mean and K-Means as well as our implementation of. The best result of the experiment was find in the users set with Euclidian distance, bisecting K-Means and K=37. The most important conclusions can be found included the following: - Not necessarily an expert opinion is the best because in the case of experts set out higher errors, this may be due to the limited information provided by each expert. - A more evenly distributed set generally gives better results than those that are distributed in a very sparse, this can be seen later in the results of the techniques that distribute data better as bisecting K-Means, X-Means and affinity propagation against those that have highly dispersed as K-Means and K-Medoids. - A number of optimal K is hard to find, here was proposed some based on certain assumptions that the obtained methods, however, there was no one that could always be appropriate.
Relaciones
| En Conjunto Administrativo: |
|---|
Descripciones
| Nombre del atributo | Valores |
|---|---|
| Creador | |
| Colaboradores | |
| Tema | |
| Editor | |
| Idioma | |
| Identificador | |
| Palabra Clave | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
