La motivación principal de este software es la carencia de soluciones disponibles que permitan incorporar de manera sencilla las preferencias y las interacciones de los usuarios en el proceso de recomendación de manera eficaz y eficiente. La mayoría de las soluciones existentes basan sus sugerencias únicamente en la popularidad de los elementos, sin tener en cuenta a los usuarios, por lo que no pueden personalizarlas.

Las recomendaciones personalizadas consiguen aumentar el compromiso de los usuarios con el sistema, al aumentar su satisfacción y promover un mayor uso del sistema por su parte.

Otra información de interés:

Publicaciones descriptivas del 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.