%0 Tesiuam %T Sistemas de recomendación %A Almaraz Pérez, Adriana %D 2013-09-25 %8 2021-08-20 %E Martínez Licona, Fabiola Margarita; Goddard Close, John Charles Henry; Díaz Hernández, Adán %I Universidad Autónoma Metropolitana %R https://doi.org/10.24275/uami.q811kj77c %X 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. %G spa %[ 2023-12-12 %9 info:eu-repo/semantics/masterThesis %~ UAM %W UAM