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. Thesis (Master thesis), E.T.S. de Ingenieros Informáticos (UPM).

Description

Title: Recomendaciones en tiempo real mediante filtrado colaborativo incremental y real-time big data
Author/s:
  • Pérez Yagüe, Paloma
Contributor/s:
Item Type: Thesis (Master thesis)
Masters title: Software y Sistemas
Date: July 2016
Subjects:
Freetext Keywords: Sistemas de Recomendación; Escalabilidad; Tiempo Real; Filtrado Colaborativo; Recommender Systems; Scalability; Real Time; Collaborative Filtering
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Lenguajes y Sistemas Informáticos e Ingeniería del Software
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[thumbnail of TFM_PALOMA_PEREZ_YAGUE.pdf]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (4MB) | Preview

Abstract

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.

More information

Item ID: 43311
DC Identifier: https://oa.upm.es/43311/
OAI Identifier: oai:oa.upm.es:43311
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 14 Sep 2016 11:16
Last Modified: 01 Jun 2022 16:57
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM