Resumen

Los sistemas de recomendación sugieren artículos a los usuarios en función de sus posibles intereses, y son importantes para aliviar las presiones de búsqueda y selección inducidas por la creciente información de los artículos. Los sistemas de recomendación clásicos se centran principalmente en la precisión de la recomendación. Sin embargo, con el aumento de las demandas diversificadas de los usuarios, múltiples métricas que pueden entrar en conflicto deben ser consideradas en los sistemas de recomendación modernos, especialmente para el sistema de recomendación personalizado. En este documento, diseñamos un sistema de recomendación personalizado considerando los tres objetivos conflictivos, es decir, la precisión, la diversidad y la novedad. Luego, para que el sistema proporcione artículos recomendados más completos, presentamos un algoritmo de recomendación personalizado multiobjetivo utilizando la computación evolutiva guiada por puntos extremos (llamado MOEA-EPG). El MOEA-EPG propuesto está guiado por tres puntos extremos y su operador de cruce está diseñado para satisfacer mejor las demandas de los usuarios. Los resultados experiment

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Sistemas de recomendación; Precisión; Diversidad; Novedad; Sistema de recomendación personalizado; Algoritmo de recomendación personalizado multiobjetivo
• Keywords:Recommender systems; Accuracy; Diversity; Novelty; Personalized recommendation system; Multiobjective personalized recommendation algorithm