““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.