Software para a recomendación de contidos aos usuarios

Software para lles ofrecer aos usuarios recomendacións personalizadas baseadas en preferencias e interaccións pasadas.

Áreas de coñecemento

  • Enxeñaría e arquitectura

Estado de protección da tecnoloxía

Ningún.

Que buscamos?

Búscanse empresas interesadas nesta tecnoloxía.

Facultade de Informática. CITIC

Descrición

Este software permite facer recomendacións de contidos aos usuarios a partir das preferencias e as interaccións pasadas tanto de calquera usuario do sistema en particular como do resto de usuarios. O sistema recolle as interaccións dos usuarios e agrega esta información de maneira que poida ser usada como base para realizar recomendacións. O sistema é capaz de facer suxestións a partir das preferencias dos usuarios similares sobre o obxecto da procura.

O software vén equipado cunha gran variedade de algoritmos de recomendación, incluídos modelos baseados en veciñanzas, métodos de factores latentes, modelos neuronais baseados en incrustacións ou métodos lineais. Ademais integra software de avaliación.

Valores engadidos

A motivación principal deste software é a carencia de solucións dispoñibles que permitan incorporar de maneira sinxela as preferencias e as interaccións dos usuarios no proceso de recomendación de maneira eficaz e eficiente. A maioría das solucións existentes basean as súas suxestións unicamente na popularidade dos elementos, sen ter en conta os usuarios, polo que non poden personalizalas.

As recomendacións personalizadas conseguen aumentar o compromiso dos usuarios co sistema, ao aumentaren a súa satisfacción e promoveren un maior uso do sistema pola súa parte.

Outra información de interese

Publicacións descritivas do software:

  • Valcarce, Daniel; Javier Parapar and Álvaro Barreiro. «Efficient Pseudo-Relevance Feedback Methods for Collaborative Filtering Recommendation». European Conference on Information Retrieval. Springer, Cham, 2016.
  • Valcarce, Daniel, Javier Parapar and Álvaro Barreiro. «Language models for collaborative filtering neighbourhoods». European Conference on Information Retrieval. Springer, Cham, 2016.
  • Valcarce, Daniel, Javier Parapar and Álvaro Barreiro. «LiMe: linear methods for pseudo-relevance feedback». Proceedings of the 33rd Annual ACM Symposium on Applied Computing. ACM, 2018.
  • Valcarce, Daniel, Alejandro Bellogín, Javier Parapar and Pablo Castells. «On the robustness and discriminative power of information retrieval metrics for top-N recommendation». Proceedings of the 12th ACM Conference on Recommender Systems. ACM, 2018.
  • Valcarce, Daniel, Javier Parapar and Álvaro Barreiro. «Item-based relevance modelling of recommendations for getting rid of long tail products». Knowledge-Based Systems 103 (2016): 41-51.
  • Parapar, Javier, Alejandro Bellogín, Pablo Castells and Álvaro Barreiro. «Relevance-based language modelling for recommender systems». Information Processing & Management 49.4 (2013): 966-980.

Aplicacións por sector

A tecnoloxía de recomendación é transversal aos distintos sectores, a todos aqueles casos en que exista un servizo en que se agarde que a interacción dos usuarios sexa recorrente.
Aplicar este tipo de ferramentas permite que as interaccións dos usuarios co sistema sexan máis satisfactorias e aumenta o seu compromiso, o que ten como consecuencia unha maior retención dos usuarios. Exemplos como recomendar libros, produtos, tratamentos, provedores etc. encaixan nos distintos sectores.

Alimentación
Cultura e educación
Economía e finanzas
Produción industrial
Saúde e benestar
Servizos públicos
TIC

Grupo de investigación

    • Information Retrieval Lab
    • (IRLab)

Responsable

  • Alfonso Landín Piñeiro
  • Daniel Valcarce Silva
  • Javier Parapar López
  • Álvaro Barreiro García

Contacta con nós

Exportar PDF

Última actualización

2019-07-16