Una revisión de métodos, técnicas y algoritmos para sistemas de recomendación de productos tecnológicos
Resumen
Los sistemas de recomendación son herramientas de filtrado de información que ayudan a presentar elementos a los usuarios en función de sus gustos y preferencias. Por ejemplo, pueden realizar sugerencias de artículos para el hogar o productos específicos para un usuario. Actualmente, existen diversos tipos de sistemas de recomendación (SR) para abordar el incremento de información en internet por parte de las empresas y, de esa manera, mejorar la eficiencia en sus procesos de venta de productos. Así mismo, existen diferentes tipos de sistemas de recomendación que utilizan técnicas específicas para cumplir con los objetivos del rubro de la empresa. Están los sistemas de popularidad, por ejemplo, que se centran en la popularidad de un producto, teniendo como criterios los likes, comentarios, el tiempo que un cliente se tomó para revisar el producto, etcétera. También existen los de contenido que, basándose en el historial de un cliente, intentan predecir qué busca el usuario y sugerir productos en relación a posibles gustos del cliente. Finalmente, los sistemas de recomendación de filtrado colaborativo, que generan recomendaciones analizando datos, identificando usuarios y comparando la información del perfil del usuario con la de un colectivo de usuarios. En base a lo antes mencionado, en el presente artículo de investigación se propone una revisión de métodos, técnicas y algoritmos para sistemas de recomendación de productos eléctricos. El objetivo es apoyar y facilitar la toma de decisiones, así como también ayudar en el mejoramiento continuo de las empresas y, de esta manera, incrementar la eficiencia de los sistemas al momento de su implementación.
Descargas
Citas
Afoudi, Y., Lazaar, M., & Al Achhab, M. (2021). Hybrid recommendation system combined content-based filtering and collaborative prediction using artificial neural network. Simulation Modelling Practice and Theory, 113(April), 102375. https://doi.org/10.1016/j.simpat.2021.102375
Amer, A. A., Abdalla, H. I., & Nguyen, L. (2021). Enhancing recommendation systems performance using highly-effective similarity measures [Formula presented]. Knowledge-Based Systems, 217, 106842. https://doi.org/10.1016/j.knosys.2021.106842
Avadiappan, V., & Maravelias, C. T. (2021). State estimation in online batch production scheduling: concepts, definitions, algorithms and optimization models. Computers and Chemical Engineering, 146, 107209. https://doi.org/10.1016/j.compchemeng.2020.107209
Bag, S., Ghadge, A., & Tiwari, M. K. (2019). An integrated recommender system for improved accuracy and aggregate diversity. Computers and Industrial Engineering, 130(February), 187-197. https://doi.org/10.1016/j.cie.2019.02.028
Barrientos Felipa, P. (2017). Marketing + internet = e-commerce: oportunidades. Finanzas y Política Económica, 9(1), 41-56.
Belkhadir, I., Omar, E. D., & Boumhidi, J. (2019). An intelligent recommender system using social trust path for recommendations in web-based social networks. Procedia Computer Science, 148, 181-190. https://doi.org/10.1016/j.procs.2019.01.035
Bertani, R. M., Bianchi, R. A. C., & Costa, A. H. R. (2020). Combining novelty and popularity on personalised recommendations via user profile learning. Expert Systems with Applications, 146, 113149. https://doi.org/10.1016/j.eswa.2019.113149
Blandón Andrade, J. C., & Zapata Jaramillo, C. M. (2018). Una revisión de la literatura sobre población de ontologías. Ingeniería y Desarrollo, 36(1), 26.
Cai, X., Hu, Z., Zhao, P., Zhang, W. S., & Chen, J. (2020). A hybrid recommendation system with many-objective evolutionary algorithm. Expert Systems with Applications, 159, 113648. https://doi.org/10.1016/j.eswa.2020.113648
Chen, Z., Wang, Y., Zhang, S., Zhong, H., & Chen, L. (2021). Differentially private user-based collaborative filtering recommendation based on k-means clustering. Expert ystems with Applications, 168, 114366. https://doi.org/10.1016/j.eswa.2020.114366
Chiu, M. C., Huang, J. H., Gupta, S., & Akman, G. (2021). Developing a personalized recommendation system in a smart product service system based on unsupervised learning model. Computers in Industry, 128, 103421. https://doi.org/10.1016/j.compind.2021.103421
Choi, K., Yoo, D., Kim, G., & Suh, Y. (2012). A hybrid online-product recommendation system: Combining implicit rating-based collaborative filtering and sequential pattern analysis. Electronic Commerce Research and Applications, 11(4), 309-317. https://doi.org/10.1016/j.elerap.2012.02.004
Criado González, M. (2018). Análisis e implementación de un sistema de recomendación para la lista de la compra [Trabajo de Grado, Universidad Carlos III de Madrid]. https://earchivo.uc3m.es/bitstream/handle/10016/29430/TFG_Marta_Criado_Gonzalez.pdf?sequence=1&isAllowed=y
Deng, J., Guo, J., & Wang, Y. (2019). A Novel K-medoids clustering recommendation algorithm based on probability distribution for collaborative filtering. Knowledge-Based Systems, 175, 96-106. https://doi.org/10.1016/j.knosys.2019.03.009
Duma, M., & Twala, B. (2019). Sparseness reduction in collaborative filtering using a nearest neighbour artificial immune system with genetic algorithms Duma, Mlungisi, and Bhekisipho Twala. Expert Systems with Applications, 132, 110-125. https://doi.org/10.1016/j.eswa.2019.04.034
Fang, X., Wang, J., Seng, D., Li, B., Lai, C., & Chen, X. (2021). Recommendation algorithm combining ratings and comments. Alexandria Engineering Journal, 60(6), 5009-5018. https://doi.org/10.1016/j.aej.2021.04.056
Ficel, H., Haddad, M. R., & Baazaoui Zghal, H. (2021). A graph-based recommendation approach for highly interactive platforms. Expert Systems with Applications, 185, 115555. https://doi.org/10.1016/j.eswa.2021.115555
Gamba Castro, C. (2013). Diseño de una ontologia de representación del conocimiento desde el dominio de la lectura [Trabajo de Grado, Universidad de La Salle, Bogotá]. https://ciencia.lasalle.edu.co/cgi/viewcontent.cgi?article=1043&context=sistemas_informacion_documentacion
Gómez, P., Guarda, T., Cedeño, J., Benavides, A., Alejandro, C., Mosquera, G., García, T., & Benavides, V. (2019). Sistemas de recomendación: un enfoque a las técnicas de filtrado. Egyptian Informatics Journal, 16(3), 261-273.
Guevara Albán, G. P., Guevara Albán, C., & Valverde, I. (2018). Sistemas de recomendaciones: una herramienta para mejorar la gestión de la información en las PYMES. Journal of Science and Research: Revista Ciencia e Investigación, 3(CITT2017), 121-127. https://doi.org/10.26910/issn.2528-8083vol3isscitt2017.2018pp121-127
Huamán Acuña, D. G., & Cánepa Pérez, C. A. (2018). Diseño de un sistema de recomendación de libros y tesis basado en ontologías asociadas a tesauros: el caso de las bibliotecas de la UNMSM. Revista Peruana de Computación y Sistemas, 1(2), 13. https://doi.org/10.15381/rpcs.v1i2.15379
Hurtado Ortiz, R. (2020). Recomendación a grupos de usuarios usando el concepto de singularidades. http://oa.upm.es/58148/1/REMIGIO_ISMAEL_HURTADO_ORTIZ.pdf
Jain, A., Nagar, S., Singh, P. K., & Dhar, J. (2020). EMUCF: Enhanced multistage user based collaborative filtering through non-linear similarity for recommendation systems. Expert Systems with Applications, 161, 113724. https://doi.org/10.1016/j.eswa.2020.113724
Karthik, R. V., & Ganapathy, S. (2021). A fuzzy recommendation system for predicting the customers interests using sentiment analysis and ontology in e-commerce. Applied Soft Computing, 108, 107396. https://doi.org/10.1016/j.asoc.2021.107396
Khadem, M. M., & Forghani, Y. (2020). A recursive algorithm to increase the speed of regression-based binary recommendation systems. Information Sciences, 512(2), 1324-1334. https://doi.org/10.1016/j.ins.2019.10.072
Kong, F., Li, J., & Lv, Z. (2018). Construction of intelligent traffic information recommendation system based on long short-term memory. Journal of Computational Science, 26, 78-86. https://doi.org/10.1016/j.jocs.2018.03.010
Korus, K., Salamak, M., & Jasiński, M. (2021). Optimization of geometric parameters of arch bridges using visual programming FEM components and genetic algorithm. Engineering Structures, 241(April). https://doi.org/10.1016/j.engstruct.2021.112465
Kumar Sharma, A., Bajpai, B., Adhvaryu, R., Dhruvi Pankajkumar, S., Parthkumar Gordhanbhai, P., & Kumar, A. (2023). An efficient approach of product recommendation system using NLP technique. Materials Today: Proceedings, 80(3), 3730-3743. https://doi.org/10.1016/j.matpr.2021.07.371
Li, G., Zhuo, J., Li, C., Hua, J., Yuan, T., Niu, Z., Ji, D., Wu, R., & Zhang, H. (2021). Multi-modal visual adversarial Bayesian personalized ranking model for recommendation. Information Sciences, 572, 378-403. https://doi.org/10.1016/j.ins.2021.05.022
Lima, G. R., Mello, C. E., Lyra, A., & Zimbrao, G. (2020). Applying landmarks to enhance memory-based collaborative filtering. Information Sciences, 513, 412-428. https://doi.org/10.1016/j.ins.2019.10.041
Luque-Ortiz, S. (2021). Estrategias de marketing digital utilizadas por empresas del retail deportivo. Revista CEA, 7(13), 0-22. https://doi.org/10.22430/24223182.1650
Madeti, S. R., & Singh, S. N. (2017). A comprehensive study on different types of faults and detection techniques for solar photovoltaic system. Solar Energy, 158(June), 161-185. https://doi.org/10.1016/j.solener.2017.08.069
Marín López, J. C., & López Trujillo, M. (2020). Análisis de datos para el marketing digital emprendedor: caso de estudio Parque de Innovación Empresarial - Universidad Nacional sede Manizales. Revista Universidad y Empresa, 22(38), 65. https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.7135
Mendoza Olguín, G., Laureano de Jesús, Y., & Pérez de Celis Herrero, M. C. (2019). Métricas de similaridad y evaluación para sistemas de recomendación de filtrado colaborativo. Revista de Investigación en Tecnologías de la Información, 7(14), 224-240. https://doi.org/10.36825/riti.07.14.019
Milovančević, N. S., & Gračanac, A. (2019). Time and ontology for resource recommendation system. Physica A: Statistical Mechanics and Its Applications, 525, 752-760. https://doi.org/10.1016/j.physa.2019.04.005
Mlika, F., & Karoui, W. (2020). Proposed model to intelligent recommendation system based on markov chains and grouping of genres. Procedia Computer Science, 176, 868-877. https://doi.org/10.1016/j.procs.2020.09.082
Nassar, N., Jafar, A., & Rahhal, Y. (2020). A novel deep multi-criteria collaborative filtering model for recommendation system. Knowledge-Based Systems, 187. https://doi.org/10.1016/j.knosys.2019.06.019
Nguyen Hoai Nam, L. (2021). Latent factor recommendation models for integrating explicit and implicit preferences in a multi-step decision-making process. Expert Systems with Applications, 174(227), 114772. https://doi.org/10.1016/j.eswa.2021.114772
Ojagh, S., Malek, M. R., Saeedi, S., & Liang, S. (2020). A location-based orientation aware recommender system using IoT smart devices and social networks. Future Generation Computer Systems, 108, 97-118. https://doi.org/10.1016/j.future.2020.02.041
Pajuelo Holguera, F. (2021). Sistemas de recomendación basados en filtrado colaborativo: Aceleración mediante computación reconfigurable y aplicaciones predicitivas sensoriales [Tesis Doctoral, Universidad de Extremadura]. https://dehesa.unex.es/flexpaper/template.html?path=https://dehesa.unex.es/bitstream/10662/12476/1/TDUEX_2021_Pajuelo_Holguera.pdf#page=1
Pita Pérez, C. E. (2020). Proyecto de sistema de recomendación de filtrado colaborativo basado en machine learning. Revista PGI. Investigación, Ciencia y Tecnología en Informática, 48–51.
Rezaeimehr, F., Moradi, P., Ahmadian, S., Qader, N. N., & Jalili, M. (2018). TCARS: Timeand community-aware recommendation system. Future Generation Computer Systems, 78, 419-429. https://doi.org/10.1016/j.future.2017.04.003
Romero, J. G., Riveros, O. A., & Herrera, J. F. (2017). Implementación de la técnica de los k-vecinos en un algoritmo recomendador para un sistema de compras utilizando NFC y android. Inge Cuc, 13(1), 9-18. https://doi.org/10.17981/ingecuc.13.1.2017.01
Salas-Rubio, M. I., Ábrego-Almazán, D., & Mendoza-Gómez, J. (2021). Intención, actitud y uso real del e-commerce. Investigación Administrativa, 50(127). https://doi.org/10.35426/iav50n127.03
Sang, L., Xu, M., Qian, S., & Wu, X. (2021). Knowledge graph enhanced neural collaborative recommendation. Expert Systems with Applications, 164, 113992. https://doi.org/10.1016/j.eswa.2020.113992
Seo, Y. D., Kim, Y. G., Lee, E., & Kim, H. (2021). Group recommender system based on genre preference focusing on reducing the clustering cost. Expert Systems with Applications, 183(June), 115396. https://doi.org/10.1016/j.eswa.2021.115396
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104(March), 333-339. https://doi.org/10.1016/j.jbusres.2019.07.039
Soler Grillo, S. F. (2021). Comercio electrónico y marketing digital en tiempos de Covid-19. Análisis en una empresa privada peruana. Gestión en el Tercer Milenio, 24(48), 59-66. https://doi.org/10.15381/gtm.v24i48.21819
Song, Y. T., & Wu, S. (2020). Slope one recommendation algorithm based on user clustering and scoring preferences. Procedia Computer Science, 166, 539-545. https://doi.org/10.1016/j.procs.2020.02.042
Soto-Rodríguez, C. A., & Hernández-Cervantes, J. (2019). Evaluación de tecnologías de sistemas de gestión de contenidos (CMS) para el desarrollo de modelos de negocio electrónicos e-business. Revista de Desarrollo Económico, (June), 24-31. https://doi.org/10.35429/jed.2019.19.6.24.31
Srilakshmi, M., Chowdhury, G., & Sarkar, S. (2022). Two-stage system using item features
for next-item recommendation. Intelligent Systems with Applications, 14, 200070. https://doi.org/10.1016/j.iswa.2022.200070
Tewari, A. S. (2020). Generating items recommendations by fusing content and user-item based collaborative filtering. Procedia Computer Science, 167, 1934-1940. https://doi.org/10.1016/j.procs.2020.03.215
Ullal, M. S., Hawaldar, I. T., Soni, R., & Nadeem, M. (2021). The role of machine learning in digital marketing. SAGE Open, 11(4). https://doi.org/10.1177/21582440211050394
Uribe, C. I., & Sabogal Neira, D. F. (2021). Marketing digital en micro y pequeñas empresas
de publicidad de Bogotá. Revista Universidad y Empresa, 23(40), 1-22. https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.8730
Valcarce, D., Landin, A., Parapar, J., & Barreiro, Á. (2019). Collaborative filtering embeddings for memory-based recommender systems. Engineering Applications of Artificial Intelligence, 85(1), 347-356. https://doi.org/10.1016/j.engappai.2019.06.020
Valdiviezo Díaz, P. M. (2019). Sistema recomendador híbrido basado en modelos robabilísticos [Tesis de Doctorado, Universidad Politécnica de Madrid]. https://oa.upm.es/57250/1/PRISCILA_MARISELA_VALDIVIEZO_DIAZ_2.pdf
Valecillos, O. (2019). Desarrollo de un sistema de recomendaciones para un sitio de comercio electrónico [Tesis de Licenciatura, Universidad Central de Venezuela]. http://saber.ucv.ve/bitstream/10872/20508/1/Tesis%20-%20Oscar%20Valecillos%20-%20Final.pdf
Vanessa, R., Sarmiento, F., Carolina, D., & Ricaurte, G. (2022). Roxana Vanessa Flores Sarmiento. Polo Del Conocimiento, 7(8), 625-640. https://doi.org/10.23857/pc.v7i8
Vega Moreno, B. D., & Ismael Hurtado Ortiz, R. (2021). Diseño y desarrollo de un sistema de recomendación basado en filtrado colaborativo utilizando datos secuenciales mediante redes neuronales recurrentes. http://dspace.ups.edu.ec/handle/123456789/21209
Vences Nava, R., Menéndez Domínguez, V. H., & Medina Peralta, S. (2019). Evaluación de un sistema de recomendación híbrido de trabajos de titulación. Ingeniería, Investigación y Tecnología, 20(3), 1-12. https://doi.org/10.22201/fi.25940732e.2019.20n3.025
Vera, J., Villalba-Condori, K., & Castro Cuba-Sayco, S. (2018). Modelo de sistema de recomendación basado en el contexto a partir del análisis de código estático para el desarrollo del pensamiento computacional: caso de programación web. Education in the Knowledge Society (EKS), 19(2), 103-126. https://doi.org/10.14201/eks2018192103126
Vera, P., & Ulloa, M. (2018). Diseño y desarrollo de un sistema recomendador de contenidos accesibles basados en perfiles de usuarios para ambientes virtuales y objetos de aprendizaje a partir de metadatos de accesibilidad haciendo uso de ontologías [Tesis de titulación, Universidad Politécnica Salesiana]. https://dspace.ups.edu.ec/bitstream/123456789/16350/1/UPS-CT007962.pdf
Walid, E. (2017). Un sistema de recomendación basado en perfiles generados por agrupamiento y asociaciones. 74. https://riunet.upv.es/bitstream/handle/10251/94049/WALID
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
Última actualización: 03/05/21