Métricas de similaridad y evaluación para sistemas de recomendación de filtrado colaborativo

• Mendoza Olguín, Gustavo Emilio ^[1] ; Laureano de Jesús, Yadira ^[1] ; Pérez de Celis Herrero, María de la Concepción ^[1]
  1. [1] Benemérita Universidad Autónoma de Puebla

     Benemérita Universidad Autónoma de Puebla

     México

     
• Localización: Revista de Investigación en Tecnologías de la Información: RITI, ISSN-e 2387-0893, Vol. 7, Nº. 14, 2019 (Ejemplar dedicado a: Julio-Diciembre), págs. 224-240
• Idioma: español
• Títulos paralelos:
  • Similarity and evaluation metrics for collaborative based recommender systems
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Los sistemas de recomendación son sistemas inteligentes que proporcionan a los usuarios una serie de sugerencias personalizadas sobre un determinado tipo de elementos (objetos). Para esto, se recaban por diferentes medios las características de cada usuario para, mediante un procesamiento de los datos, encontrar un subconjunto de ítems que pueden resultarle de interés. Mejorar la exactitud de las recomendaciones es una tarea crucial debido a la tendencia que han adoptado los sitios web, principalmente comerciales, de ofrecer a sus visitantes contenidos del catálogo que les podrían interesar acorde a sus necesidades o gustos. En este artículo se presenta un análisis comparativo entre algunas de las métricas de similitud y evaluación propuestas para los sistemas de recomendación basados en filtrado colaborativo; realizando pruebas sobre datasets comúnmente utilizados para determinar su eficiencia en producción.

  • English

    Recommender Systems are smart systems that bring to the users a set of personalized suggestions from an specific type of items(objects). In order to do this, several techniques are used to collect the user’s characteristics for, using data processing, to find a subset of items that could be relevant to him. The improvement of the recommendation’s accuracy is crucial because offering relevant content (based on needs or likes) to the visitors of web sites, mainly commercial ones, is trending. This article shows a comparative analysis among different similarity and evaluation metrics proposed for collaborative-filtering based recommender systems; doing tests on commonly used datasets to determine its efficiency on production time.