![Page 1: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/1.jpg)
““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
![Page 2: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/2.jpg)
AgendaIntroducciónAFI Restaurantes
FundamentosRepresentación del modeloOptimización del modeloModelo de la solución
DemostraciónConclusiones y recomendaciones
![Page 3: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/3.jpg)
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.
![Page 4: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/4.jpg)
IntroducciónEscenario actual
![Page 5: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/5.jpg)
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?
![Page 6: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/6.jpg)
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?
![Page 7: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/7.jpg)
AgendaIntroducciónAFI Restaurantes
FundamentosRepresentación del modeloOptimización del modeloModelo de la solución
DemostraciónConclusiones y recomendaciones
![Page 8: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/8.jpg)
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).
![Page 9: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/9.jpg)
AFI RestaurantesSistema de predicción y recomendación
![Page 10: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/10.jpg)
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
![Page 11: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/11.jpg)
AFI RestaurantesRepresentando el modelo
![Page 12: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/12.jpg)
AFI RestaurantesOptimizando desempeño
Usuarios “U1,U2,…Un”
Usuarios “U1,U2,…Un”
Grupos
“G1,G2,….Gk”
Grupos
“G1,G2,….Gk”
![Page 13: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/13.jpg)
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
![Page 14: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/14.jpg)
Agenda IntroducciónAFI Restaurantes
FundamentosRepresentación del modeloOptimización del modeloModelo de la solución
DemostraciónConclusiones y recomendaciones
![Page 15: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/15.jpg)
![Page 16: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/16.jpg)
Agenda IntroducciónAFI Restaurantes
FundamentosRepresentación del modeloOptimización del modeloModelo de la solución
DemostraciónConclusiones y recomendaciones
![Page 17: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/17.jpg)
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.
![Page 18: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/18.jpg)
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.
![Page 19: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/19.jpg)
![Page 20: “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto](https://reader036.vdocuments.pub/reader036/viewer/2022062305/5665b4441a28abb57c909026/html5/thumbnails/20.jpg)