TravelCobber Técnicas para la integración de recomendaciones en Facebook
Las aplicaciones web comerciales afrontan dos problemas: el poco tiempo y las pocas páginas visitadas por cada usuario, y la baja conversión (visitas que acaban comprando). Para evitarlo se utilizan sistemas de recomendación que ofrecen rápidamente al usuario productos o servicios que le pueden inte...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2010 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/46268 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/46268 |
| Access Level: | acceso abierto |
| Palabra clave: | 004.78:316.77(043.3) Sistemas de recomendación Recomendaciones para grupos Razonamiento basado en casos Adaptación Personalización inteligente Modelado de usuario RIA Redes Sociales Recommender Systems Group recommender system Case-based reasoning Adaptation User modeling Rich Internet Applications Social Networks Sistemas expertos Internet (Informática) 3325 Tecnología de las Telecomunicaciones |
| Sumario: | Las aplicaciones web comerciales afrontan dos problemas: el poco tiempo y las pocas páginas visitadas por cada usuario, y la baja conversión (visitas que acaban comprando). Para evitarlo se utilizan sistemas de recomendación que ofrecen rápidamente al usuario productos o servicios que le pueden interesar basándose en sus preferencias explicitas o implícitas. Sin embargo estas recomendaciones presentan algunas limitaciones. Por una parte tratan a todos los usuarios de la misma manera, por lo que es difícil que todos queden igualmente satisfechos. Además presentan los inconvenientes del arranque en frío de usuario, arranque en frío del producto, valoraciones inconsistentes, y cambios en las preferencias del usuario. Los sistemas de recomendaciones grupales tienen un cuello de botella: obtener el perfil de los usuarios (requiere el esfuerzo y el tiempo de los usuarios) y ofrecer métodos de negociación para que los usuarios lleguen al acuerdo final. Por otra parte, las redes sociales con un dominio donde los recomendadores se están rápidamente extendiendo, pero no se integran fácilmente en ellas. Para paliar estas limitaciones proponemos un modelo que integra el sistema de recomendación en una Red Social, teniendo en cuenta además el temperamento y el estado de ánimo de los usuarios para adaptase mejor a ellos. Y mejorando la experiencia del usuario usando tecnologías RIA para facilitar la interacción con el sistema. [ABSTRACT] Commercial Web applications face two problems: the short time and the few pages visited by each user, and the low conversión rates (visitors who purchase). To avoid this issue, Recommendations Systems offer the user quickly products or services that might interest him, according to his explicit or implicit preferences. However these Recommendatios Systems present some limitations. They don’t consider the personality, temper and mood of the users. They treat all users the same way, no matter what personality, temper or mood they have. So it is difficult to get all the users equally satisfied. Besides they have the cold start user and cold start products drawbacks, inconsistent ratings and they do not capture the changes in user preferences. Group Recommender Systems also have two bottlenecks: get the profile of the Group members (it requieres effort and time of the user), and provide mechanisims to help users to reach the final agreement. To address these problems we propose a model that integrates the recomendation system in a Social Network (Facebook), taking into account the temper of the user to better suit them. And improving the user experience using RIA technologies. |
|---|