RT Generic
T1 Sistema de recomendación con retroalimentación híbrida a través del uso de aprendizaje profundo en la industria de bienes de consumo
A1 Bonilla Ibarra, Roberto
AB En los últimos años, los sistemas de recomendación han experimentado un inmenso éxito en el comercio electrónico. Sin embargo, existe una escasez notable en estudios de investigación enfocados en industrias que están emprendiendo un proceso de transformación digital, especialmente en el sector de bienes de consumo. Este TFM tiene como objetivo abordar esta brecha proponiendo una nueva metodología que aproveche los datos transaccionales comunes y las dimensiones de metadatos para desarrollar un sistema de recomendación ligero y efectivo. El sistema de recomendación propuesto utiliza características latentes, metadatos y técnicas de aprendizaje profundo para comprender las sinergias entre productos y clientes. Al comprender los patrones de consumo de los clientes y generar calificaciones comparativas mediante un modelo de clasificación de próxima compra, el trabajo establece una base sólida para formular el problema de recomendación. Los experimentos desarrollados demuestran que el sistema de recomendación propuesto basado en aprendizaje profundo aumenta significativamente la probabilidad de adquisición de productos en comparación con los métodos de recomendación base.
AB Recent years have witnessed remarkable success in recommendation systems within the e-commerce domain. However, there is a noticeable lack of research studies focusing on industries embarking on a digital transformation journey, particularly in the consumer goods sector. This master's thesis aims to address this gap by proposing a novel methodology that leverages transactional data and metadata dimensions to develop an effective lightweight recommendation system. The proposed recommendation system utilizes latent features, metadata, and deep learning techniques to comprehend the synergies between products and clients. By understanding client consumption patterns and generating comparative ratings through a next-purchase classification model, the thesis establishes a solid foundation for formulating the recommendation problem. Offline experiments demonstrate that the proposed deep learning recommender system significantly enhances the likelihood of product acquisition compared to baseline recommenders.
YR 2023
FD 2023-06
LK https://hdl.handle.net/20.500.14352/88152
UL https://hdl.handle.net/20.500.14352/88152
LA spa
DS Docta Complutense
RD 21 abr 2025