Este trabajo está enfocado a la implementación de redes neuronales en los algoritmos de filtrado colaborativo. Las redes neuronales juegan un papel importante, que es el de estar aprendiendo las preferencias y el comportamiento de compra de antiguos compradores, y usar ese conocimiento para hacer recomendaciones personalizadas a los compradores actuales (activos). Aquí el sistema de recomendación propuesto trata de predecir las evaluaciones de los usuarios sobre los productos y recomienda los productos top N al usuario solicitante (activo).
INTRODUCCIÓN 12
OBJETIVOS 13
OBJETIVO GENERAL 13
OBJETIVOS ESPECÍFICOS 13
ESTADO DEL ARTE 15
1. REDES NEURONALES 17
1.1 CONCEPTOS DE LAS REDES NEURONALES
1.1.1 Conexiones entre neuronas. 21
1.1.2 Función o regla de activación. 21
1.1.3 Regla de aprendizaje. 25
1.1.4 Topología de las Redes Neuronales. 27
1.1.5 Estructura y aprendizaje de la red backpropagation. 29
2. SISTEMAS DE RECOMENDACIÓN 33
2.1 PAUTAS DE DISEÑO DE SISTEMAS DE RECOMENDACIÓN 33
2.1.1 Fase 1: El sistema solicita al usuario sus preferencias. 35
2.1.2 Fase 2: EL sistema ofrece las recomendaciones al usuario 35
2.1.3 Factores que hacen que un sistema de recomendación sea
considerado adecuado por los usuarios. 36
3. FILTRADO COLABORATIVO 39
3.1 MODELOS UTILIZADOS PARA EL FILTRADO COLABORATIVO 42
3.1.1 Algoritmos de filtrado colaborativo basados en memoria. 42
3.1.2 Algoritmos de filtrado colaborativo basados en modelos. 42
3.1.3 Algoritmo de filtrado colaborativo basado en usuario. 42
4. MEMORIA ASOCIATIVA 44
4.1 MEMORIA ASOCIATIVA LINEAL (Linear Associative Memory - LAM) 44
4.2 FILTRADO COLABORATIVO POR MEMORIA ASOCIATIVA LINEAL (Collaborative-filtering by Linear Associative Memory - CLAM) 47
4.2.1 El efecto de entrenar el tamaño fijo. 49
4.2.2 Interpretación User-Based de CLAM. 50
5. DISEÑO METODOLOGICO PARA EL PROTOTIPO DE SISTEMA
DE RECOMENDACIÓN BASADO EN PRINCIPIOS DE REDES
NEURONALES 51
5.1 ARQUITECTURA Y DISEÑO DEL PROTOTIPO 51
5.1.1 Arquitectura MVC (Modelo/Vista/Control). 52
5.1.2 Herramienta Struts. 54
5.2 ANÁLISIS 56
5.2.1 Modelo Funcional. 56
5.3 DISEÑO 58
5.3.1 Diseño de Base de Datos. 58
5.3.2 Documentación de los casos de uso 59
5.3.3 Diseño de eventos 59
5.4 CONSTRUCCIÓN 62
5.4.1 Herramientas de Desarrollo 62
5.5 DESCRIPCIÓN DE PANTALLAS CONSTRUIDAS. 63
6. INFORME DE EVALUACIÓN 66
6.1 EXPERIMENTO 66
6.2 ENTRENAMIENTO DE LA RED 67
6.3 COMPARACION CON EL MÉTODO NAIVE 68
CONCLUSIONES 72
RECOMENDACIONES 73
REFERENCIAS BIBLIOGRAFICAS 74
ANEXOS 79
Pregrado
This work is focused on the implementation of neural networks in collaborative filtering algorithms. Neural networks play an important role, which is to be learning the preferences and buying behavior of former buyers, and to use that knowledge to make personalized recommendations to current (active) buyers. Here the proposed recommendation system tries to predict user evaluations about the products and recommends the top N products to the requesting (active) user.