Aplicación de métodos de clustering en sistemas de recomendaciones
Desde hace siglos, las empresas se han enfrentado a la difícil decisión de qué recomendar a sus clientes. Este desafío se ha intensificado en las últimas décadas con la llegada del internet, ya que los negocios ahora tienen acceso a una gran cantidad de información sobre los usuarios y desean aprove...
Saved in:
| Main Author: | |
|---|---|
| Format: | masterThesis |
| Language: | Spanish |
| Published: |
2025
|
| Subjects: | |
| Online Access: | https://hdl.handle.net/20.500.12008/50140 |
| Tags: |
No Tags, Be the first to tag this record!
|
| Summary: | Desde hace siglos, las empresas se han enfrentado a la difícil decisión de qué recomendar a sus clientes. Este desafío se ha intensificado en las últimas décadas con la llegada del internet, ya que los negocios ahora tienen acceso a una gran cantidad de información sobre los usuarios y desean aprovecharla para realizar las mejores recomendaciones posibles. Con el objetivo de aumentar los ingresos y atraer a más consumidores potenciales. Esta dinámica, tan común como compleja, plantea el desafío de determinar las mejores recomendaciones posibles. Un ejemplo simple pero revelador de esta complejidad se encuentra en la elección de un producto, donde optar por uno implica necesariamente no elegir otros. En este contexto, la literatura ofrece diversas estrategias para abordar este dilema de elección. Sin embargo, este trabajo se enfocará en los algoritmos de Multiarmed bandit, proponiendo un nuevo algoritmo llamado CLinUCB, el cual utiliza el contexto del usuario y las opciones disponibles para ofrecer recomendaciones dinámicas que se alinean con el estado del arte en este campo. |
|---|