dc.contributor.advisor |
Julian Inglada, Vicente Javier
|
es_ES |
dc.contributor.author |
Gascó Ortiz, Víctor
|
es_ES |
dc.date.accessioned |
2015-03-25T11:55:54Z |
|
dc.date.available |
2015-03-25T11:55:54Z |
|
dc.date.created |
2014-09-10 |
|
dc.date.issued |
2015-03-25 |
es_ES |
dc.identifier.uri |
http://hdl.handle.net/10251/48280 |
|
dc.description.abstract |
[ES] Los sistemas de recomendación tradicionales basan sus recomendaciones en las medidas
cuantitativas de la similitud entre las preferencias del usuario y los elementos actuales para
recomendar (p.e., recomendadores basados en contenidos [1]), entre el perfil del usuario y el
perfil de otros usuarios con preferencias similares (p.e., recomendadores de filtrado colaborativo
[2]) y en combinaciones de ambos (p.e. recomendadores híbridos [3]).
Sin embargo, [4], se ha quedado patente la incapacidad de los sistemas de recomendación
actuales para utilizar la gran cantidad de datos cualitativos disponibles en línea para mejorar las
recomendaciones.
Por lo general, los sistemas de recomendación no proporcionan una explicación sobre el
proceso de razonamiento que se ha seguido para llegar a recomendaciones específicas. Las
recomendaciones tienden a venir directamente del algoritmo de recomendación que ejecuta el
sitio web y no a partir de los conocidos que un usuario tiene en su red social.
Con el fin de mejorar los resultados de cualquier tipo de recomendación basado en nuestros
gustos, en este proyecto se ha añadido el factor de recomendación según el entorno social.
Debido al auge en los últimos años de las redes sociales y de cualquier tipo de medio en el
que se interactúe con personas, no es difícil medir el nivel de relación que se tiene con otras
personas de esa red social, y por lo tanto suponer que cuanto más afín se es a una persona se
debe la similitud de gustos. Partiendo de esa base se ha simulado un entorno social en el que un
cliente que realiza una solicitud de recomendación, en este caso sobre recetas culinarias. El
entorno posteriormente le devuelve una lista con los resultados que mejor se adapta a su perfil y
a su relación con los amigos que le hacen estas recomendaciones.
Para ello, nos basamos en resultados objetivos, como es la similitud que las recetas tengan
con el perfil del cliente, y en valores subjetivos, que serían la ponderación de la relación de
amistad entre el cliente con los amigos que le recomienden, y los que les recomienden a estos.
Para la realización de este trabajo se ha creado un marco de desarrollo de recomendaciones
sociales basadas en agentes en el dominio de las recetas de cocina. El marco permite evaluar
distintas estrategias a aplicar en el proceso de recomendación. Su uso también podría extenderse
al ámbito académico como simulador de distintas estrategias de recomendación social.
Este procedimiento de recomendación sería válido para cualquier temática (películas, viajes,
deportes...), útil como aplicación a las redes sociales e incluso para crear portales web basados
en una temática para recomendaciones con tus conocidos.
En el proyecto se ha realizado una evaluación de la propuesta. Los resultados han permitido
demostrar la validez del marco desarrollado como banco de pruebas de diferentes estrategias. |
es_ES |
dc.description.abstract |
[EN] Traditional recommender systems base their recommendations on quantitative measures of
similarity between the user’s preferences and the current items to recommend (i.e, content-based
recommenders [1]), between the user’s profile and the profile of other users with similar
preferences (i.e, collaborative filtering recommender [2]) and on combinations of both (i.e,
hybrid recommender [3]).
However, [4] has stated the inability of current recommender systems to use the large
amount of qualitative data available online to empower the recommendations.
Usually, recommender systems do not provide an explanation about the reasoning process
that was followed to come up with specific recommendations. Recommendations tend to come
directly from the recommendation algorithm that runs the website and not from the
acquaintances that a user has in his social network.
In order to improve the results of any type of recommendations based on our tastes, on this
project has been added the recommendation according to the social environment factor.
Due to the rise in recent years of social networks and any type of media in which to interact
with people, it is not difficult to measure the level of relationship that you have with other
people in the social network, and therefore assume that you are much more akin to a person is
because the similarity of tastes. On this basis has been simulated a social environment in which
a customer who makes a request for a recommendation, in this case about culinary recipes. The
environment then returns a list with the results that best fits your profile and your relationship
with friends that make these recommendations.
To do this, we are based in objective results, as it is the similarity recipes with the customer
profile, and in subjective values, which would be the weighting of the relation of friendship
between the client with their friends who recommend him, and those that they recommend to
these.
To carry out this work has created a development framework of social recommendations
based on agents in the domain of the recipes. The framework allows you to evaluate different
strategies to implement the recommendation process. Their use could also be extended to
academic scope as a simulator of different strategies of social recommendation.
This recommendation procedure would be valid for any topic (films, travel, sports...), useful
as application to social networks and even to create web sites based on a theme for
recommendations with your friends.
In the project carried out an evaluation of the proposal. The results have allowed to
demonstrate the validity of the framework developed as test bench of different strategies. |
es_ES |
dc.format.extent |
40 |
es_ES |
dc.language |
Español |
es_ES |
dc.publisher |
Universitat Politècnica de València |
es_ES |
dc.rights |
Reconocimiento - No comercial - Sin obra derivada (by-nc-nd) |
es_ES |
dc.subject |
Sistema multi-agente |
es_ES |
dc.subject |
Sistema de recomendación |
es_ES |
dc.subject |
Redes sociales |
es_ES |
dc.subject |
Multi-agent system |
es_ES |
dc.subject |
Recommendation system |
es_ES |
dc.subject |
Social network |
es_ES |
dc.subject.classification |
LENGUAJES Y SISTEMAS INFORMATICOS |
es_ES |
dc.subject.other |
Grado en Ingeniería Informática-Grau en Enginyeria Informàtica |
es_ES |
dc.title |
Agente Recomendador en Jason |
es_ES |
dc.type |
Proyecto/Trabajo fin de carrera/grado |
es_ES |
dc.rights.accessRights |
Abierto |
es_ES |
dc.contributor.affiliation |
Universitat Politècnica de València. Escola Tècnica Superior d'Enginyeria Informàtica |
es_ES |
dc.contributor.affiliation |
Universitat Politècnica de València. Departamento de Sistemas Informáticos y Computación - Departament de Sistemes Informàtics i Computació |
es_ES |
dc.description.bibliographicCitation |
Gascó Ortiz, V. (2014). Agente Recomendador en Jason. http://hdl.handle.net/10251/48280. |
es_ES |
dc.description.accrualMethod |
TFGM |
es_ES |
dc.relation.pasarela |
TFGM\13278 |
es_ES |