Resumen

La minería de preferencias desempeña un papel importante en los sitios web de comercio electrónico y de vídeo para mejorar la satisfacción y la fidelidad de los usuarios. Algunos métodos clásicos no están disponibles para el problema de las preferencias cuando el usuario o el artículo son nuevos. En este trabajo, proponemos un nuevo modelo, denominado conjunto rugoso paramétrico de vecindad en dos universos (NRSTU), para describir las estructuras de datos de los usuarios y los artículos. Además, se utiliza el operador de aproximación inferior de vecindad para definir las reglas de preferencia. A continuación, proporcionamos los medios para recomendar artículos a los usuarios utilizando estas reglas. Por último, ofrecemos un ejemplo experimental para mostrar los detalles de la minería de preferencias basada en NRSTU para el problema del arranque en frío. También se discuten los parámetros del modelo. Los resultados experimentales muestran que el método propuesto presenta una solución eficaz para la extracción de preferencias. En particular, NRSTU mejora la precisión de la recomendación en aproximadamente un 19% en comparación con el método tradicional.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:problema inicial, minería de preferencias, minería de preferencias basada, usuario, detalles de nrstu, estructura de datos de los elementos, papel importante, operador de aproximación, precisión de las recomendaciones, vecindario paramétrico
• Keywords:start problem, preferences mining, based preferences mining, user, details of nrstu, items data structure, important role, approximation operator, recommendations accuracy, parametric neighborhood