Sistemas de recomendación en R y aplicación a datos reales

Abstract

Este trabajo fin de grado se plantea con el propósito general de hacer una revisión exhaustiva sobre los sistemas de recomendación, tan popularizados en un sinfín de aplicaciones web a través de las cuales los usuarios escogen productos según sus preferencias, pueden evaluarlos y la aplicación les ofrece o recomienda productos similares para promover su retención y fidelización en la aplicación. Se presentan los fundamentos y alternativas existentes sobre los sistemas de recomendación más comunes y en sus tres enfoques principales: filtrado basado en contenido, filtrado colaborativo y filtrado híbrido. Además, se localizan y describen distintos paquetes estadísticos para resolverlos mediante el lenguaje de programación R, y finalmente se describe en detalle la librería RecommenderLab, la algoritmia que tiene implementada, y el modo de aplicarla sobre unos datos reales para obtener recomendaciones. Se plantea cómo aplicar diversos algoritmos alternativos y compararlos entre sí respecto de las métricas habituales, para analizar y evaluar su rendimiento, esto es, su precisión y eficacia. Se trabaja sobre la popular base de datos MovieLens, que es descrita inicialmente a través del correspondiente análisis estadístico exploratorio, para después aplicar diferentes tipos de filtrado, obtener las recomendaciones pertinentes y compararlas respecto de las métricas de calidad propuestas.