“Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto.

Presentación del tema: "“Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto."— Transcripción de la presentación:

1 “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

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

3 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.

4 Introducción Escenario actual

5 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?

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

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

8 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.

9 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.

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

11 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).

12 AFI Restaurantes Sistema de predicción y recomendación

13 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

14 AFI Restaurantes Representando el modelo

15 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”

16 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

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

18

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

20 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.

21 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.

22

23