Contexto:

Los sistemas recomendadores son una de las tecnologías más ampliamente utilizadas por comercios electrónicos y aplicaciones de internet como parte de sus estrategias para mejorar la experiencia de sus clientes y aumentar sus ventas. El sistema recomendador tiene por objetivo sugerir contenido basado en las características del mismo y en las preferencias de los usuarios. Los mejores sistemas recomendadores deben estar en la capacidad de entregar las recomendaciones en el menor tiempo y con el menor error posibles, lo cual constituye un desafío cuando se trabaja con grandes volúmenes de datos.

Método:

En este artículo se presenta una técnica novedosa para optimizar sistemas recomendadores utilizando algoritmos de enjambre de partículas. El objetivo del algoritmo genético seleccionado es encontrar los mejores hiperparámetros que minimicen la diferencia entre los valores esperados y los obtenidos por el sistema recomendador.

Resultados:

El algoritmo demuestra viabilidad dados los resultados obtenidos, destacando que su implementación es sencilla y los recursos computacionales necesarios para su ejecución son mínimos y de fácil acceso.

Conclusiones:

Fue posible desarrollar un algoritmo utilizando las propiedades más convenientes del enjambre de partículas para optimizar los sistemas recomendadores, logrando el comportamiento ideal para su implementación en el escenario planteado.

        · abstract in English     · text in English     · English ( pdf )