“Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto Daniel Ruiz Moncayo Hugo Iván Chang Miranda

Agenda Introducción AFI Restaurantes Fundamentos Representación del modelo Optimización del modelo Modelo de la solución Demostración Conclusiones y recomendaciones

Introducción Escenario actual Oferta de objetos culturales (libros, películas, restaurantes, etc.) dinámica y extensa. Brecha entre la cantidad y calidad. No se encuentra lo que es de nuestro interés.

Introducción Escenario actual

Introducción Problema Y hoy, ¿ dónde iré a comer? ¿Qué lugar que no conozco será de mi agrado? ¿Qué tan bueno será el lugar que me han recomendado?

Introducción Solución cotidiana Tomar decisiones basado en opiniones. Personas o grupos de confianza. Factor único que nos estimulan a consumir. ¿Cumple esto nuestras expectativas?

Agenda  Introducción AFI Restaurantes Fundamentos Representación del modelo Optimización del modelo Modelo de la solución Demostración Conclusiones y recomendaciones

Objetivos del proyecto Exponer las características y funcionamiento de los algoritmos de predicción basados en ítems y mostrar su aplicación específica en la tarea de predicción y recomendación. Desarrollar e implementar un sitio Web basado en el uso de algoritmos de filtrado colaborativo. El dominio de producto escogido son los restaurantes de la ciudad de Guayaquil.

Objetivos del proyecto Definir las ventajas y retos del uso del filtrado colaborativo en la elaboración de recomendaciones. Garantizar la escalabilidad en ambientes de producción que manejan grandes volúmenes de datos.

Agenda  Introducción  Objetivos del proyecto AFI Restaurantes Fundamentos Representación del modelo Optimización del modelo Modelo de la solución Demostración Conclusiones y recomendaciones

AFI Restaurantes Sistema de predicción y recomendación Respuesta tecnológica a la solución cotidiana. Conocimiento de consumidores concentrado en un sólo lugar. Acceso rápido a información relevante (opinión de consumidores).

AFI Restaurantes Sistema de predicción y recomendación

AFI Restaurantes Fundamentos Tareas de minería de datos: Clasificación (tarea predictiva) Clusterización (tarea descriptiva) Métodos de minería de datos: Filtrado colaborativo. Análisis de clústeres. Técnicas estadísticas complementarias: Prueba F Algoritmo de Fisher

AFI Restaurantes Representando el modelo

AFI Restaurantes Optimizando desempeño Usuarios “U1,U2,…Un” Usuarios “U1,U2,…Un” K (número de grupos) Prueba F Algoritmo K-medias Grupos “G1,G2,….Gk” Grupos “G1,G2,….Gk”

AFI Restaurantes Modelo de la solución Usuario objetivo Algoritmo de Fisher Grupo “i” Grupo “i” + Usuario objetivo Recomendación Obtención de pronósticos Algoritmo KNN Algoritmo KNN (filtrado colaborativo) Predicción Recomendación

Agenda  Introducción  AFI Restaurantes Fundamentos Representación del modelo Optimización del modelo Modelo de la solución Demostración Conclusiones y recomendaciones

Agenda  Introducción  AFI Restaurantes Fundamentos Representación del modelo Optimización del modelo Modelo de la solución  Demostración Conclusiones y recomendaciones

AFI Restaurantes Conclusiones Retos de escalabilidad fueron tratados. Un simple historial o repositorio de datos, se vuelve información de relevancia para tomar decisiones. Potencial comercial: poder ayudar a dirigir mejor el uso de recursos de publicidad y promociones.

AFI Restaurantes Recomendaciones Buen diseño, teoría y mejores prácticas. Modelo y guía de referencia CRISP-CM, estándar para la administración de proyectos de minería de datos. Herramientas y algoritmos optimizados. Paralelismo o hilos (threads) en los procesos del análisis de conglomerados.