“sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos...
TRANSCRIPT
““Sistema de predicción y recomendación Sistema de predicción y recomendación
personalizada basada en ranking de ítems personalizada basada en ranking de ítems
homogéneos usando filtrado colaborativo”homogéneos usando filtrado colaborativo”
Luis Alejandro Díaz ViejóLuis Alejandro Díaz Viejó
Fausto Daniel Ruiz MoncayoFausto Daniel Ruiz Moncayo
Hugo Iván Chang Miranda Hugo Iván Chang Miranda
AgendaIntroducciónAFI Restaurantes
FundamentosRepresentación del modeloOptimización del modeloModelo de la solución
DemostraciónConclusiones y recomendaciones
IntroducciónEscenario 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.
IntroducciónEscenario 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 ¿Cumple esto nuestras expectativas?expectativas?
AgendaIntroducciónAFI Restaurantes
FundamentosRepresentación del modeloOptimización del modeloModelo de la solución
DemostraciónConclusiones 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 RestaurantesSistema de predicción y recomendación
AFI RestaurantesFundamentos
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 FAlgoritmo de Fisher
AFI RestaurantesRepresentando el modelo
AFI RestaurantesOptimizando desempeño
Usuarios “U1,U2,…Un”
Usuarios “U1,U2,…Un”
Grupos
“G1,G2,….Gk”
Grupos
“G1,G2,….Gk”
Usuario objetivo
Algoritmo de Algoritmo de FisherFisher
Grupo “i”
Grupo “i”+
Usuario objetivo
Grupo “i”+
Usuario objetivo
Obtención de Obtención de pronósticospronósticos
Obtención de Obtención de pronósticospronósticos
Algoritmo KNNAlgoritmo KNN(filtrado colaborativo)
Algoritmo KNNAlgoritmo KNN(filtrado colaborativo)
PredicciónRecomendación
Agenda IntroducciónAFI Restaurantes
FundamentosRepresentación del modeloOptimización del modeloModelo de la solución
DemostraciónConclusiones y recomendaciones
Agenda IntroducciónAFI Restaurantes
FundamentosRepresentación del modeloOptimización del modeloModelo de la solución
DemostraciónConclusiones y recomendaciones
AFI RestaurantesConclusiones
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 RestaurantesRecomendaciones
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.
