Recomendaciones en tiempo real mediante filtrado colaborativo incremental y real-time big data

Pérez Yagüe, Paloma (2016). Recomendaciones en tiempo real mediante filtrado colaborativo incremental y real-time big data. Tesis (Master), E.T.S. de Ingenieros Informáticos (UPM).

Descripción

Título: Recomendaciones en tiempo real mediante filtrado colaborativo incremental y real-time big data
Autor/es:
  • Pérez Yagüe, Paloma
Director/es:
  • Jiménez Peris, Ricardo
  • Patiño-Martínez, Marta
Tipo de Documento: Tesis (Master)
Título del máster: Software y Sistemas
Fecha: Julio 2016
Materias:
Palabras Clave Informales: Sistemas de Recomendación; Escalabilidad; Tiempo Real; Filtrado Colaborativo; Recommender Systems; Scalability; Real Time; Collaborative Filtering
Escuela: E.T.S. de Ingenieros Informáticos (UPM)
Departamento: Lenguajes y Sistemas Informáticos e Ingeniería del Software
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (4MB) | Vista Previa

Resumen

La gran cantidad de información y de servicios/productos ofrecidos hoy en día a cualquier usuario en la red, hace cada vez más difícil la tarea de filtrar entre tanta información y poder encontrar realmente aquello que se ajuste a los gustos y/o necesidades de cada uno. Por este motivo surgieron los primeros Sistemas de Recomendación, los cuales han cambiado el modo en que las personas encuentran productos, información o incluso a otras personas, que quizá, de otra forma no conocerían. Se pueden encontrar famosos ejemplos de Sistemas de Recomendación en grandes compañías como Amazon.com o Netflix, con un catálogo casi infinito que mostrar a sus clientes, o el gigante Google, que emplea famosos algoritmos de búsqueda como Page Rank o su ya famosa personalización de búsquedas en usuarios registrados, que tiene en cuenta el historial de navegación previo e incluso la propia localización en la que se encuentra el usuario, para mostrar sus resultados en un orden completamente personalizado. Estos sistemas se encargan de estudiar patrones de comportamiento de los distintos usuarios y similaridades entre los distintos servicios/productos, para poder decidir de entre toda la información disponible aquella que se va a adaptar a los gustos/necesidades de los usuarios, haciéndoles la vida más fácil. En los últimos 20 años estos sistemas se han vuelto cada vez más complejos, tratando de ajustarse lo máximo posible al perfil y necesidades de los distintos usuarios, dando lugar a algoritmos basados en costosos cálculos computacionales. Entonces, con la inercia con la que están evolucionando los denominados sistemas de recomendación, ¿podrán estos sistemas hacer frente al crecimiento exponencial de estos servicios/productos? ¿Estos sistemas serán/son capaces de ajustarse a las necesidades de los usuarios a medida que su perfil de comportamiento cambia en un tiempo de respuesta y calidad aceptables para el usuario final? Estas preguntas intentarán ser contestadas en este trabajo mediante el estudio y posterior análisis de algunas de las principales metodologías adoptadas en los modelos algorítmicos en los que se basan los actuales sistemas de recomendación.---ABSTRACT---Due to the large amount of information and products/services offered in nowadays to any user on the Net, the task of information filtering is increasingly difficult and being able to find what really suits the needs or tastes of each one is really tough. For this reason, early Recommender Systems emerged. Those systems have changed drastically the way in which people find products, information or even to other people, that otherwise, maybe, they won’t know about. Famous examples of Recommender Systems can be found, in big companies like Amazon.com or Netflix, with an almost infinite catalog to show their customers, or the giant Google, that uses famous search algorithms like Page Rank or his popular search customization available for registered users, that takes into account the previous browsing history and even the location of the user, to show his results in a totally personalized order. These systems attempt to study behavior patterns of different users and try to find similarities between various services/products, to decide the data that fits the best to the tastes/needs of the users between all available information, to make their lifes easier. In the last 20 years, these systems have become increasingly complex because they try to fit as much as possible to the profile and needs of the different users, resulting in algorithms based on expensive computational calculations. Then, if we analyze the inertia of the evolution of the so-called recommendation systems, could these systems deal with the exponential growth of these services/products?, could they be able of fit the needs of the users according as their behavioral profile changes in an acceptable response time and with the accuracy that a final user expects? This work is going to try to answer these questions through the study and subsequent analysis of some of the main methodologies adopted in algorithmic models that current recommendation systems are based on.

Más información

ID de Registro: 43311
Identificador DC: http://oa.upm.es/43311/
Identificador OAI: oai:oa.upm.es:43311
Depositado por: Biblioteca Facultad de Informatica
Depositado el: 14 Sep 2016 11:16
Ultima Modificación: 14 Sep 2016 11:16
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM