2026-09-15T22:29:37Zhttps://gredos.usal.es/oai/requestoai:gredos.usal.es:10366/833422025-06-05T12:40:28Zcom_10366_4386com_10366_4349com_10366_3946com_10366_3823com_10366_4756com_10366_4746col_10366_4394col_10366_68520
Pinho Lucas, Joel
2011-04-26T08:54:38Z
2011-04-26T08:54:38Z
2010-10
http://hdl.handle.net/10366/83342
10.14201/gredos.83342
[EN]Current e-commerce systems continually need to provide personalization
when their content is shown. In this sense, recommender systems make
suggestions and provide information of items available in the system. Nowadays,
there is a vast amount of methods, including data mining techniques
that can be employed for personalization in recommender systems.
However, such methods are still quite vulnerable to some limitations and
shortcomings related to recommender environment. Classification based
on association methods, also named associative classification methods,
consist of an alternative data mining technique, which combines concepts
from classification and association in order to allow association rules to
be employed in a prediction context. In this work we propose the use of
associative classifiers in recommender systems in order to enhance the recommendation
process and to shorten limitations presented within it. To
do so, we firstly present a bibliographic revision concerning the associative
classification area and, subsequently, we describe concepts and methods
related to recommender systems. Within this context, in this work
we have developed a hybrid recommender methodology, which encloses
characteristics of the two main approaches of recommender methods: collaborative
filtering and content-based. This methodology also includes
an associative classification algorithm that inherits features from fuzzy
logic, that allows it to enhance its effectiveness and recommendation quality.
In this way, the methodology takes advantage from the strengths of
both approaches and, therefore, minimizes recommender systems limitations.
In order to analyze the behaviour and to validate the developed
methodology, we have accomplished a comparative study using data gathered
from real recommender systems. Such study analyzes results from
associative classification and traditional classification algorithms, furthermore
it analyzes the behaviour of the algorithm proposed as a part of
the methodology. Finally, we describe the implementation of the proposed
methodology in a real recommender system, where critical scenarios
that usually occur in a recommendation context were emulated. The results
of the comparative study and the analysis of the emulated scenarios
have demonstrated that the associative classification and the proposed
methodology can be successfully applied in recommender systems and
are able to supply benefits to them as well
[ES]Los sistemas de comercio electrónico actuales requieren de manera permanente
proveer personalización en la presentación de sus contenidos.
En este sentido, los sistemas de recomendación realizan sugerencias y facilitan información acerca de los ítems disponibles en el sistema. Actualmente
se dispone de una gran cantidad de métodos, incluyendo técnicas de minería de datos, que pueden utilizarse para la personalización en
dichos sistemas. Sin embargo, dichos métodos todavía son bastante vulnerables a muchas limitaciones y problemas ocasionados en el ámbito de las recomendaciones. Los métodos de clasificación basados en asociación,
también denominados métodos de clasificación asociativa, constituyen un
tipo de técnica de minería de datos alternativa, la cual combina conceptos
de clasificación y asociación con objeto de utilizar reglas de asociación
en un contexto de predicción. En este trabajo se propone el uso de clasificadores
asociativos en sistemas de recomendación con el fin de mejorar
el proceso de recomendación, disminuyendo las limitaciones presentadas
en el mismo. Para ello, en primer lugar se presenta una revisión bibliográfica
sobre el área de la clasificación asociativa y, a continuación, se
describen conceptos y métodos inherentes a los sistemas de recomendación.
Dentro de este contexto, se ha desarrollado una metodología híbrida
de recomendación, que posee rasgos de las dos principales categorías de
métodos de recomendación: filtrado colaborativo y basado en contenido.
Dicha metodología incluye un algoritmo de clasificación asociativa que
utiliza conceptos de la lógica borrosa, lo que permite aumentar la efectividad
y calidad de las recomendaciones. De esta manera, se permite
hacer uso de las ventajas y puntos fuertes de cada categoría de métodos
y, consecuentemente, minimizar las limitaciones inherentes a los sistemas
de recomendación. Para analizar el comportamiento y la validez de
la metodología desarrollada, se ha realizado un estudio comparativo, utilizado
datos de sistemas de recomendación reales, en el que se analizan
los resultados de los algoritmos de clasificación tradicionales frente a los
proporcionados por los algoritmos de clasificación asociativa, incluyendo
el análisis del algoritmo propuesto como parte de la metodología. Finalmente
se describe la implementación de la metodología propuesta en un
sistema de recomendación real en el que se simularon escenarios críticos
que suelen ocurrir en un contexto de recomendación. El análisis de los resultados del estudio comparativo y de las simulaciones han demostrado
que la clasificación asociativa y la metodología propuesta pueden ser aplicados
de manera satisfactoria en sistemas de recomendación, aportando beneficios a los mismos
spa
https://creativecommons.org/licenses/by-nc-nd/3.0/
info:eu-repo/semantics/openAccess
Attribution-NonCommercial-NoDerivs 3.0 Unported
Tesis y disertaciones académicas
Universidad de Salamanca (España)
Academic dissertations
Informática
Inteligencia artificial
Bases de datos
Métodos de clasificación basados en asociación aplicados a sistemas de recomendación
info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/doctoralThesis