Resumen:
Los sistemas de recomendación utilizan técnicas de descubrimiento de conocimiento al problema de recomendaciones personalizadas de información, productos o servicios durante una interacción en tiempo real. Estos sistemas, especialmente los basados en el filtrado colaborativo del k-vecino más cercano están alcanzando un amplio éxito en la Web. El tremendo crecimiento en la cantidad de información disponible y el número de visitantes a los sitios Web en los recientes años propone algunos retos claves para estos sistemas. Estos retos son: producir recomendaciones de alta calidad, generar muchas recomendaciones por segundo para millones de usuarios y artículos, además de alcanzar una alta cobertura ante la dispersión de los datos. En los sistemas tradicionales de filtrado colaborativo la cantidad de trabajo aumenta con el número de participantes en el sistema, por lo que son necesarias nuevas tecnologías en sistemas de recomendación que puedan producir rápidamente recomendaciones de alta calidad a gran escala. Para lograr estas expectativas hemos explorado con técnicas de filtrado colaborativo basadas en ítems. Las técnicas basadas en ítems analizan primero la matriz ítem-usuario para identificar relaciones entre artículos diferentes, y luego usan estas relaciones para computar indirectamente recomendaciones para los usuarios. En este artículo analizaremos cómo fue implementado nuestro sistema AFI Restaurantes y la optimización de los algoritmos utilizados para la predicción y generación de recomendaciones basadas en ítems.
