Aprendizaje activo para mejorar el arranque en frío de sistemas de recomendación
Cuando un nuevo usuario hace uso de un sistema de recomendación, no se tiene suficiente información sobre sus preferencias para producir recomendaciones precisas. Este problema es conocido como "arranque en frío". Para lidiar con esta situación, se requiere de un tiempo de aprendizaje en e...
Main Author: | |
---|---|
Other Authors: | |
Format: | bachelorThesis |
Language: | spa |
Published: |
2018
|
Subjects: | |
Online Access: | http://hdl.handle.net/11086/5786 |
_version_ | 1801216756421754880 |
---|---|
author | Silvi, Luciano |
author2 | Alonso i Alemany, Laura |
author_facet | Alonso i Alemany, Laura Silvi, Luciano |
author_sort | Silvi, Luciano |
collection | Repositorio Digital Universitario |
description | Cuando un nuevo usuario hace uso de un sistema de recomendación, no se tiene suficiente información sobre sus preferencias para producir recomendaciones precisas. Este problema es conocido como "arranque en frío". Para lidiar con esta situación, se requiere de un tiempo de aprendizaje en el que el usuario provee una retroalimentación al sistema indicándole así sus preferencias. Pero esto trae aparejado un inconveniente: cuanto mayor demora suponga este proceso, mayor será la pérdida de tiempo tanto para el usuario como para el proveedor del servicio, además de ser una tarea generalmente tediosa.
Es por eso que en este trabajo estudiaremos distintas aproximaciones con el objetivo de reducir el tiempo de aprendizaje del sistema, pero maximizando la utilidad de la información aportada por el usuario. Para ello nos enfocaremos en la aplicación de Aprendizaje Activo, un método de aprendizaje automático que nos ayudará a crear con mayor rapidez un perfil para el usuario en cuestión. |
format | bachelorThesis |
id | rdu-unc.5786 |
institution | Universidad Nacional de Cordoba |
language | spa |
publishDate | 2018 |
record_format | dspace |
spelling | rdu-unc.57862022-10-13T11:32:56Z Aprendizaje activo para mejorar el arranque en frío de sistemas de recomendación Silvi, Luciano Alonso i Alemany, Laura Active learning settings Cluster analysis Recommender systems Cuando un nuevo usuario hace uso de un sistema de recomendación, no se tiene suficiente información sobre sus preferencias para producir recomendaciones precisas. Este problema es conocido como "arranque en frío". Para lidiar con esta situación, se requiere de un tiempo de aprendizaje en el que el usuario provee una retroalimentación al sistema indicándole así sus preferencias. Pero esto trae aparejado un inconveniente: cuanto mayor demora suponga este proceso, mayor será la pérdida de tiempo tanto para el usuario como para el proveedor del servicio, además de ser una tarea generalmente tediosa. Es por eso que en este trabajo estudiaremos distintas aproximaciones con el objetivo de reducir el tiempo de aprendizaje del sistema, pero maximizando la utilidad de la información aportada por el usuario. Para ello nos enfocaremos en la aplicación de Aprendizaje Activo, un método de aprendizaje automático que nos ayudará a crear con mayor rapidez un perfil para el usuario en cuestión. 2018-01-30T18:15:37Z 2018-01-30T18:15:37Z 2016 bachelorThesis http://hdl.handle.net/11086/5786 spa Atribución-NoComercial-SinDerivadas 2.5 Argentina http://creativecommons.org/licenses/by-nc-nd/2.5/ar/ |
spellingShingle | Active learning settings Cluster analysis Recommender systems Silvi, Luciano Aprendizaje activo para mejorar el arranque en frío de sistemas de recomendación |
title | Aprendizaje activo para mejorar el arranque en frío de sistemas de recomendación |
title_full | Aprendizaje activo para mejorar el arranque en frío de sistemas de recomendación |
title_fullStr | Aprendizaje activo para mejorar el arranque en frío de sistemas de recomendación |
title_full_unstemmed | Aprendizaje activo para mejorar el arranque en frío de sistemas de recomendación |
title_short | Aprendizaje activo para mejorar el arranque en frío de sistemas de recomendación |
title_sort | aprendizaje activo para mejorar el arranque en frio de sistemas de recomendacion |
topic | Active learning settings Cluster analysis Recommender systems |
url | http://hdl.handle.net/11086/5786 |
work_keys_str_mv | AT silviluciano aprendizajeactivoparamejorarelarranqueenfriodesistemasderecomendacion |