Sistema de recomendación de artículos de línea blanca basado en el algoritmo KNN
DOI:
https://doi.org/10.51252/rcsi.v3i2.557Palabras clave:
comercio electrónico, distancia euclidiana, K-vecinos, marketing digitalResumen
En la presente investigación se busca mejorar el proceso del marketing digital para temas del comercio electrónico, su principal objetivo es implementar y poner en funcionamiento un sistema de recomendación que permita recomendar correctamente un producto a un cliente ahorrándole tiempo en su proceso de búsqueda y decisión. Se utiliza el algoritmo K vecinos más cercanos junto a su fórmula de la distancia euclidiana que permite mejorar la precisión al momento de brindar resultados. Para el presente caso se trabajó con las preferencias de un usuario y una cantidad de más de 100 productos de distintos modelos y funcionalidades que son identificadas mediante variables de identificación como, color, marca, modelo, precio que nos sirven para poder realizar el cálculo de la distancia y generar “N” recomendaciones más cercanas a los gustos del cliente, los resultados muestran que el algoritmo propuesto es eficiente en cuanto a la recomendación de productos logrando generar recomendaciones de manera eficiente en relación a las preferencias de los clientes.
Citas
Adeniyi, D. A., Wei, Z., & Yongquan, Y. (2016). Automated web usage data mining and recommendation system using K-Nearest Neighbor (KNN) classification method. Applied Computing and Informatics, 12(1), 90–108. https://doi.org/10.1016/j.aci.2014.10.001
Afoudi, Y., Lazaar, M., & Al Achhab, M. (2021). Hybrid recommendation system combined content-based filtering and collaborative prediction using artificial neural network. Simulation Modelling Practice and Theory, 113, 102375. https://doi.org/10.1016/j.simpat.2021.102375
Bag, S., Ghadge, A., & Tiwari, M. K. (2019). An integrated recommender system for improved accuracy and aggregate diversity. Computers & Industrial Engineering, 130, 187–197. https://doi.org/10.1016/j.cie.2019.02.028
Cai, X., Hu, Z., Zhao, P., Zhang, W. S., & Chen, J. (2020). A hybrid recommendation system with many-objective evolutionary algorithm. Expert Systems with Applications, 159, 113648. https://doi.org/10.1016/j.eswa.2020.113648
Cao, B., Zhao, J., Liu, X., Kang, X., Yang, S., Kang, K., & Yu, M. (2018). Multiobjective recommendation optimization via utilizing distributed parallel algorithm. Future Generation Computer Systems, 86, 1259–1268. https://doi.org/10.1016/j.future.2017.09.005
Cao, Y., & Li, Y. (2007). An intelligent fuzzy-based recommendation system for consumer electronic products. Expert Systems with Applications, 33(1), 230–240. https://doi.org/10.1016/j.eswa.2006.04.012
Castro Gallardo, J. (2012). Un nuevo modelo ponderado para sistemas de recomendación basados en contenido con medidas de contingencia y entropía [Universidad de Jaén]. https://sinbad2.ujaen.es/sites/default/files/publications/TTII_JorgeCastro.pdf
Criado González, M. (2018). Análisis e implementación de un sistema de recomendación para la lista de la compra [Universidad Carlos III de Madrid]. http://hdl.handle.net/10016/2943
Franco Zapata, A. (2021). Sistemas de recomendación contextual [Universidad EAFIT]. http://hdl.handle.net/10784/3141
Guevara Albán, G. P., Guevara Albán, C., & Valverde, I. (2018). Sistemas de Recomendaciones: Una herramienta para mejorar la gestión de la información en las PYMES. Journal of Science and Research: Revista Ciencia e Investigación, 3(CITT2017), 121–127. https://doi.org/10.26910/issn.2528-8083vol3isscitt2017.2018pp121-127
Hssina, B., & Erritali, M. (2019). A personalized pedagogical objectives based on a genetic algorithm in an adaptive learning system. Procedia Computer Science, 151(2018), 1152–1157. https://doi.org/10.1016/j.procs.2019.04.164
Jain, A., Nagar, S., Singh, P. K., & Dhar, J. (2020). EMUCF: Enhanced multistage user-based collaborative filtering through non-linear similarity for recommendation systems. Expert Systems with Applications, 161, 113724. https://doi.org/10.1016/j.eswa.2020.113724
Karthik, R. V., & Ganapathy, S. (2021). A fuzzy recommendation system for predicting the customers interests using sentiment analysis and ontology in e-commerce. Applied Soft Computing, 108, 107396. https://doi.org/10.1016/j.asoc.2021.107396
Korus, K., Salamak, M., & Jasiński, M. (2021). Optimization of geometric parameters of arch bridges using visual programming FEM components and genetic algorithm. Engineering Structures, 241, 112465. https://doi.org/10.1016/j.engstruct.2021.112465
Kumar Sharma, A., Bajpai, B., Adhvaryu, R., Dhruvi Pankajkumar, S., Parthkumar Gordhanbhai, P., & Kumar, A. (2023). An Efficient Approach of Product Recommendation System using NLP Technique. Materials Today: Proceedings, 80, 3730–3743. https://doi.org/10.1016/j.matpr.2021.07.371
Li, M., Li, Y., Lou, W., & Chen, L. (2020). A hybrid recommendation system for Q&A documents. Expert Systems with Applications, 144, 113088. https://doi.org/10.1016/j.eswa.2019.113088
Liu, H., Zhao, J., Li, P., Zhao, P., & Wu, X. (2021). Shared-view and specific-view information extraction for recommendation. Expert Systems with Applications, 186, 115752. https://doi.org/10.1016/j.eswa.2021.115752
Luque-Ortiz, S. (2021). Estrategias de marketing digital utilizadas por empresas del retail deportivo. Revista CEA, 7(13), 0–22. https://doi.org/10.22430/24223182.1650
Marín López, J. C., & López Trujillo, M. (2020). Análisis de datos para el marketing digital emprendedor: Caso de estudio Parque de Innovación Empresarial - Universidad Nacional sede Manizales. Revista Universidad y Empresa, 22(38), 65. https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.7135
Martinez Rodriguez, J. R., & Alarcón Martínez, G. J. (2020). Análisis de la flexibilidad del proveedor y la participación de abastecimientos en el desempeño de manufactura para el sector de electrodomésticos (Analysis of supplier flexibility and purchasing participation in the manufacturing performance for applianc. Revista Innovaciones de Negocios, 17(33), 98–127. https://doi.org/10.29105/rinn17.33-6
Mlika, F., & Karoui, W. (2020). Proposed Model to Intelligent Recommendation System based on Markov Chains and Grouping of Genres. Procedia Computer Science, 176, 868–877. https://doi.org/10.1016/j.procs.2020.09.082
Ni, L., Lin, H., Zhang, M., & Zhang, J. (2018). Hybrid Filtrations Recommendation System based on Privacy Preserving in Edge Computing. Procedia Computer Science, 129, 407–409. https://doi.org/10.1016/j.procs.2018.03.016
Ravnik, J., Jovanovac, J., Trupej, A., Vištica, N., & Hriberšek, M. (2021). A sigmoid regression and artificial neural network models for day-ahead natural gas usage forecasting. Cleaner and Responsible Consumption, 3, 100040. https://doi.org/10.1016/j.clrc.2021.100040
Sánchez, N. (2019). Línea Blanca en auge, de la mano de la innovación y la eficiencia. Electromarket. https://www.electromarket.com/uploads/2019/08/linea_blanca_auge_19618_20190801014454.pdf
Ullal, M. S., Hawaldar, I. T., Soni, R., & Nadeem, M. (2021). The Role of Machine Learning in Digital Marketing. SAGE Open, 11(4), 215824402110503. https://doi.org/10.1177/21582440211050394
Uribe, C. I., & Sabogal Neira, D. F. (2021). Marketing digital en micro y pequeñas empresas de publicidad de Bogotá. Revista Universidad y Empresa, 23(40). https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.8730
Ye, G., & Zhao, X. (2018). Improved SVD algorithm based on Slope One. Proceedings of the 30th Chinese Control and Decision Conference, CCDC 2018, 1, 1002–1006. https://doi.org/10.1109/CCDC.2018.8407276
Zhang, F., Qi, S., Liu, Q., Mao, M., & Zeng, A. (2020). Alleviating the data sparsity problem of recommender systems by clustering nodes in bipartite networks. Expert Systems with Applications, 149, 113346. https://doi.org/10.1016/j.eswa.2020.113346
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Alexander Guevara-Fernandez, Marco A. Coral-Ygnacio
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores retienen sus derechos:
a. Los autores retienen sus derechos de marca y patente, y tambien sobre cualquier proceso o procedimiento descrito en el artículo.
b. Los autores retienen el derecho de compartir, copiar, distribuir, ejecutar y comunicar públicamente el articulo publicado en la Revista Científica de Sistemas e Informática (RCSI) (por ejemplo, colocarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en la RCSI.
c. Los autores retienen el derecho a hacer una posterior publicación de su trabajo, de utilizar el artículo o cualquier parte de aquel (por ejemplo: una compilación de sus trabajos, notas para conferencias, tesis, o para un libro), siempre que indiquen la fuente de publicación (autores del trabajo, revista, volumen, número y fecha).
