Introducción:

Los sistemas recomendadores ayudan a los usuarios a encontrar aquella información que mejor se corresponda con sus necesidades y preferencias, en un espacio de búsqueda sobrecargado de posibles opciones. Se han detectado muy pocos trabajos enfocados en preprocesar datos inconsistentes en sistemas recomendadores, con vistas a elevar su eficacia.

Métodos:

El objetivo de esta investigación es desarrollar nuevos métodos de preprocesamiento para la eliminación de inconsistencias de tipo ruido natural en sistemas recomendadores de filtrado colaborativo, que contribuyan a mejorar la eficacia de las recomendaciones generadas. Varios de los métodos propuestos como parte de la investigación, se apoyan en el uso de la lógica difusa. Como resultado se obtuvieron 4 nuevos métodos de preprocesamiento de datos para sistemas recomendadores de filtrado colaborativo, tanto para recomendadores individuales como grupales.

Resultados:

Los métodos propuestos fueron evaluados utilizando bases de datos internacionales concebidas con este fin, verificando su eficacia. En adición estos métodos se introdujeron en un escenario real de recomendación que es el de los jueces en línea de programación en Cuba, mostrándose una mejora en la eficacia de la recomendación en este escenario. Estos resultados fueron publicados en 8 artículos Grupo I MES, incluyendo revistas Web of Science de alto factor de impacto como Knowledge-Based Systems y Decision Support Systems. Conclusiones. Los métodos propuestos son, por tanto, integrables a cualquier sistema recomendador de filtrado colaborativo, siendo capaces de mejorar la eficacia de los mismos. Se evidencian además, aplicaciones de los mismos a escenarios como el de los jueces en línea de programación.

        · abstract in English     · text in Spanish     · Spanish ( pdf )