nalysis of predictions in a collaborative filter based on the ALS algorithm for a fast food company in the city of Guayaquil.
ISBN: 978-0-3110-0042-5, EAN: 9780311000425, UPC: 978031100042, BIC: UMB
DOI:
https://doi.org/10.51736/eta.vi.58Keywords:
predictions, algorithm, collaborative filtering, enterpriseAbstract
This book presents a study conducted in a fast food company in the city of Guayaquil. Its general objective was to propose the implementation of a recommendation system of a collaborative filter based on the ALS algorithm, which would allow the analysis of the predictions of the next products that the customer wishes to purchase, which helps to understand the customer and to personalize his consumption options as much as possible. The RapidMiner tool was also used, which, through its methodology, made it possible to identify the score of the particularities of the products within the company. The research developed is descriptive and the qualitative approach was assumed, from which the results obtained during all the research stages were efficiently interpreted, until all the proposed objectives were achieved.
Downloads
References
Agüero Dejo, S. P., Chumacero Delgado, I. T., & Delgado Soto, R. M. (2019). Uso de los sistemas de recomendación en la gestión de contenido para apuestas.
Castillo-Saco, A. (2014). Sistemas de recomendación distribuidos. Universidad Autónoma de Madrid-Escuela Politécnica Superior.
Cheng, D., Peng, R., & Liu, Y. (2016). SPALS: Fast alternating least squares via implicit leverage scores sampling. Advances in neural information processing systems, 29, 721-729.
Collado, A. (2016). Sistema de recomendación de recursos basado en filtrado colaborativo para la plataforma edX (Bachelor's thesis).
Comon, P., Luciani, X., & De Almeida, A. (2009). Tensor decompositions, alternating least squares and other tales. Journal of Chemometrics: A Journal of the Chemometrics Society.
Echevarría, K. (2017). Diseño de un sistema de recomendación de recursos educativos basado en las emociones reflejadas por los estudiantes (Doctoral dissertation, Universidad Central “Marta Abreu” de Las Villas).
González, C. J., García, M. N., & Gil, A. B. (2020). Sistema de Recomendación de Canciones Basado en Aspectos Emocionales. Avances en Informática y Automática.
Hernández, N. M. (2019). Recomendación de cursos basada en filtrado colaborativo e información de perfiles sociales y estudiantiles (Bachelor's thesis, Uniandes).
López, M. B., & Montes, A. J. (s.f.). EmoRemSys: Sistema de recomendación de recursos educativos basado en detección de emociones. . RISTI-Revista Ibérica de Sistemas e Tecnologias .
Maltz, D., & Ehrlich, K. (1995). “Pointing the way: Active collaborative filtering” Proceedings of the SIGCHI conference on Human factors in computing systems. New York, NY, USA: ACM Press/Addison-Wesley Publishing Co.
Manzano-Chicano, A. (22 de 05 de 2018). Introducción a los sistema de recomendación basados en filtrado colaborativo con PySaprk. Obtenido de Ciencias y Datos: https://medium.com/datos-y-ciencia/intro-als-pyspark-7de7f3ba3b0a
Marín, P. A., Zapata, Á. M., Rojas, L. F., & Mendez, N. D. (2016). Sistema de recomendación de objetos de aprendizaje a través de filtrado colaborativo. Teknos revista científica, 85-94.
MicroSystem. (2005). RapidMiner. Obtenido de MicroSystem: https://www.microsystem.cl/plataforma/rapidminer/
Olguín, G. E., & De Jesús, Y. L. (2019). Métricas de similaridad y evaluación para sistemas de recomendación de filtrado colaborativo. Revista de Investigación en Tecnologías de la Información: RITI, 7(14), 224-240.
Olguín, G. E., & De Jesús, Y. L. (2019). Métricas de similaridad y evaluación para sistemas de recomendación de filtrado colaborativo. Revista de Investigación en Tecnologías de la Información: RITI, 7(14), 224-240.
Rios, C., Godoy, D. L., & Schiaffino, S. (2016). Análisis de estrategias de selección de clientes para recomendación en LBSN. In Simposio Argentino de Inteligencia Artificial (ASAI 2016)-JAIIO 45 (Tres de Febrero, 2016).
Schafer, J., Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative filtering recommender systems. Lecture Notes in Computer Science, 291.
Valdiviezo, P. M. (2019). Sistema recomendador híbrido basado en modelos probabilísticos (Doctoral dissertation, Universidad Politécnica de Madrid).
Valdiviezo-Diaz, P., Ortega, F., & Mayor, J. (2020). Optimización del filtrado colaborativo basado en factorización matricial mediante la relevancia de las preferencias de los usuarios. Revista Ibérica de Sistemas e Tecnologias.
Varela, D., Aguilar, J., Monsalve-Pulido, J., & Montoya, E. (2020). Propuesta Arquitectónica de un Sistema de Recomendación Híbrido Adaptativo. Revista Ibérica de Sistemas e Tecnologias de Informação, 171-184.
Walid-Ghobar, E. (2016-2017 ). Un sistema de recomendación basado en perfiles generados por agrupamiento y asociaciones. Univeritat Politécnica de Valencia .
Yauri Godoy, R. A. (2019). Plataforma de compra online basado en técnicas de filtrado colaborativo para la predicción y recomendación de productos.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported License.
