Sistema de recomendación de artículos de línea blanca basado en el algoritmo KNN

• Guevara-Fernandez, Alexander ^[1] ; Coral-Ygnacio, Marco A. ^[1]
  1. [1] Universidad Católica Sedes Sapientiae

     Universidad Católica Sedes Sapientiae

     Perú

     
• Localización: Revista científica de sistemas e informática, ISSN-e 2709-992X, Vol. 3, Nº. 2, 2023 (Ejemplar dedicado a: Revista Científica de Sistemas e Informática; e587)
• Idioma: español
• Títulos paralelos:
  • White line article recommendation system based on the KNN algorithm
• Enlaces
  • Texto completo
• Resumen
  • español

    En la presente investigación se busca mejorar el proceso del marketing digital para temas del comercio electrónico, su principal objetivo es implementar y poner en funcionamiento un sistema de recomendación que permita recomendar correctamente un producto a un cliente ahorrándole tiempo en su proceso de búsqueda y decisión. Se utiliza el algoritmo K vecinos más cercanos junto a su fórmula de la distancia euclidiana que permite mejorar la precisión al momento de brindar resultados. Para el presente caso se trabajó con las preferencias de un usuario y una cantidad de más de 100 productos de distintos modelos y funcionalidades que son identificadas mediante variables de identificación como, color, marca, modelo, precio que nos sirven para poder realizar el cálculo de la distancia y generar “N” recomendaciones más cercanas a los gustos del cliente, los resultados muestran que el algoritmo propuesto es eficiente en cuanto a la recomendación de productos logrando generar recomendaciones de manera eficiente en relación a las preferencias de los clientes.

  • English

    This research seeks to improve the digital marketing process for e-commerce issues, its main objective is to implement and operate a recommendation system that al-lows to correctly recommend a product to a customer saving time in their search and decision process. The K nearest neighbors’ algorithm and its Euclidean distance formula are used to improve the accuracy of the results. For this case we worked with the preferences of a user and a quantity of more than 100 products of different models and functionalities that are identified by identification variables such as color, brand, model, price, which are used to calculate the distance and generate "N" recommendations closer to the customer's tastes, the results show that the proposed algorithm is efficient in terms of product recommendation, generating recommendations efficiently in relation to customer preferences.