Resumen

Los sistemas de recomendacin sugieren artculos a los usuarios basados en sus posibles intereses, y son importantes para aliviar las presiones de bsqueda y seleccin inducidas por la creciente informacin de los artculos. Los sistemas de recomendacin clsicos se centran principalmente en la precisin de la recomendacin. Sin embargo, con el aumento de las demandas diversificadas de los usuarios, en los sistemas de recomendacin modernos, especialmente para el sistema de recomendacin personalizado, se deben considerar mltiples mtricas que pueden entrar en conflicto entre s. En este artculo, diseamos un sistema de recomendacin personalizado que considera los tres objetivos conflictivos, es decir, la precisin, la diversidad y la novedad. Luego, para que el sistema proporcione artculos recomendados ms completos, presentamos un algoritmo de recomendacin personalizada multiobjetivo que utiliza la computacin evolutiva guiada por puntos extremos (llamada MOEA-EPG). El MOEA-EPG propuesto est guiado por tres puntos extremos y su operador de cruce est diseado para satisfacer mejor las demandas de los

• 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