Estrategias para la selección y ponderación de vecinos para recomendación en redes sociales basada en la ubicación

Autores
Ríos, Carlos
Año de publicación
2017
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Schiaffino, Silvia
Godoy, Daniela
Descripción
Los Sistemas de Recomendación (SRs) basados en la ubicación están ganando importancia con la proliferación de las aplicaciones que ofrecen servicios a los usuarios basándose en la ubicación geográfica de éstos (proporcionada por los dispositivos móviles), así como el contenido generado por el usuario en las redes sociales online. Entre los servicios basados en la ubicación se destacan la redes sociales geo-localizadas (LBSNs, del inglés location-based social networks). Estas redes aprovechan tecnologías como GPS, Web 2.0 y teléfonos inteligentes para permitir a los usuarios compartir sus ubicaciones (check-ins), buscar puntos de interés (POIs), buscar descuentos, comentar sobre lugares específicos, conectarse con amigos y encontrar a los que están cerca de una ubicación específica. Los sistemas de recomendación basados en la ubicación juegan un papel importante en este tipo de redes sociales, ya que por ejemplo en la recomendación de puntos de interés pueden ayudar a los usuarios a explorar lugares atractivos y ayudar a los proveedores de servicios de redes sociales a diseñar anuncios sensibles a la ubicación del POI. En la construcción de sistemas de recomendación se utilizan técnicas clásicas tales como el filtrado colaborativo (FC). Los enfoques colaborativos para la generación de recomendaciones se basan en las opiniones de las personas con ideas afines, los llamados vecinos, para realizar la predicción. En primer lugar los vecinos son seleccionados y luego sus opiniones se ponderan según su contribución esperada. Por lo tanto, una selección y una ponderación adecuada de dichos vecinos se vuelven esenciales para lograr buenos resultados de predicción. El objetivo de esta tesis fue proponer y analizar una serie de diferentes estrategias para seleccionar y ponderar los vecinos en el contexto de un sistema de recomendación basado en filtrado colaborativo para las recomendaciones de puntos de interés (POIs). Mientras que los métodos estándar se basan en la similitud de las preferencias de los usuarios para seleccionar y ponderar vecinos, en este trabajo se propusieron y analizaron diversas estrategias que exploran las dimensiones adicionales existentes en las LBSNs, como las relaciones sociales, la información sobre visitas y la información geográfica. El impacto de las diferentes estrategias propuestas ha sido evaluado y comparado con el enfoque tradicional de filtrado colaborativo usando dos conjuntos de datos de dos redes sociales geo-localizadas reales (Foursquare y Yelp). En términos generales, las estrategias propuestas para seleccionar y ponderar vecinos basadas en los diferentes elementos disponibles en una LBSN logran mejores resultados que el enfoque tradicional de filtrado colaborativo. Nuestros hallazgos pueden ser útiles tanto para investigadores en el área de sistemas de recomendación como para desarrolladores de sistemas de recomendación en el contexto de LBSN, ya que pueden tomar en cuenta los resultados obtenidos para diseñar y proporcionar servicios más efectivos considerando la gran cantidad de información producida en una LBSN.
Fil: Ríos, Carlos. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Schiaffino, Silvia. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Godoy, Daniela. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Materia
Redes sociales online
Dispositivos móviles
LBSNs
GPS
Web 2.0
Teléfonos inteligentes
SRs
Servicios Web
Usuarios
Ciencias de la computación
Redes sociales geo-localizadas
LBSN
Computación orientada a servicios
Tesis de doctorado
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
RIDAA (UNICEN)
Institución
Universidad Nacional del Centro de la Provincia de Buenos Aires
OAI Identificador
oai:ridaa.unicen.edu.ar:123456789/1817
Acceder
id RIDUNICEN_85555a4ca8d5466e7695ea517e8fd48a
oai_identifier_str oai:ridaa.unicen.edu.ar:123456789/1817
network_acronym_str RIDUNICEN
repository_id_str a
network_name_str RIDAA (UNICEN)
spelling Estrategias para la selección y ponderación de vecinos para recomendación en redes sociales basada en la ubicaciónRíos, CarlosRedes sociales onlineDispositivos móvilesLBSNsGPSWeb 2.0Teléfonos inteligentesSRsServicios WebUsuariosCiencias de la computaciónRedes sociales geo-localizadasLBSNComputación orientada a serviciosTesis de doctoradoLos Sistemas de Recomendación (SRs) basados en la ubicación están ganando importancia con la proliferación de las aplicaciones que ofrecen servicios a los usuarios basándose en la ubicación geográfica de éstos (proporcionada por los dispositivos móviles), así como el contenido generado por el usuario en las redes sociales online. Entre los servicios basados en la ubicación se destacan la redes sociales geo-localizadas (LBSNs, del inglés location-based social networks). Estas redes aprovechan tecnologías como GPS, Web 2.0 y teléfonos inteligentes para permitir a los usuarios compartir sus ubicaciones (check-ins), buscar puntos de interés (POIs), buscar descuentos, comentar sobre lugares específicos, conectarse con amigos y encontrar a los que están cerca de una ubicación específica. Los sistemas de recomendación basados en la ubicación juegan un papel importante en este tipo de redes sociales, ya que por ejemplo en la recomendación de puntos de interés pueden ayudar a los usuarios a explorar lugares atractivos y ayudar a los proveedores de servicios de redes sociales a diseñar anuncios sensibles a la ubicación del POI. En la construcción de sistemas de recomendación se utilizan técnicas clásicas tales como el filtrado colaborativo (FC). Los enfoques colaborativos para la generación de recomendaciones se basan en las opiniones de las personas con ideas afines, los llamados vecinos, para realizar la predicción. En primer lugar los vecinos son seleccionados y luego sus opiniones se ponderan según su contribución esperada. Por lo tanto, una selección y una ponderación adecuada de dichos vecinos se vuelven esenciales para lograr buenos resultados de predicción. El objetivo de esta tesis fue proponer y analizar una serie de diferentes estrategias para seleccionar y ponderar los vecinos en el contexto de un sistema de recomendación basado en filtrado colaborativo para las recomendaciones de puntos de interés (POIs). Mientras que los métodos estándar se basan en la similitud de las preferencias de los usuarios para seleccionar y ponderar vecinos, en este trabajo se propusieron y analizaron diversas estrategias que exploran las dimensiones adicionales existentes en las LBSNs, como las relaciones sociales, la información sobre visitas y la información geográfica. El impacto de las diferentes estrategias propuestas ha sido evaluado y comparado con el enfoque tradicional de filtrado colaborativo usando dos conjuntos de datos de dos redes sociales geo-localizadas reales (Foursquare y Yelp). En términos generales, las estrategias propuestas para seleccionar y ponderar vecinos basadas en los diferentes elementos disponibles en una LBSN logran mejores resultados que el enfoque tradicional de filtrado colaborativo. Nuestros hallazgos pueden ser útiles tanto para investigadores en el área de sistemas de recomendación como para desarrolladores de sistemas de recomendación en el contexto de LBSN, ya que pueden tomar en cuenta los resultados obtenidos para diseñar y proporcionar servicios más efectivos considerando la gran cantidad de información producida en una LBSN.Fil: Ríos, Carlos. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Schiaffino, Silvia. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Godoy, Daniela. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias ExactasSchiaffino, SilviaGodoy, Daniela2017-122018-11-01T14:32:54Z2018-11-01T14:32:54Zinfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfapplication/pdfhttps://www.ridaa.unicen.edu.ar/handle/123456789/1817spahttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/info:eu-repo/semantics/openAccessreponame:RIDAA (UNICEN)instname:Universidad Nacional del Centro de la Provincia de Buenos Aires2025-10-16T09:28:37Zoai:ridaa.unicen.edu.ar:123456789/1817instacron:UNICENInstitucionalhttps://www.ridaa.unicen.edu.ar/Universidad públicaNo correspondehttps://www.ridaa.unicen.edu.ar/oailleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ;ArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2025-10-16 09:28:38.212RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Airesfalse
dc.title.none.fl_str_mv Estrategias para la selección y ponderación de vecinos para recomendación en redes sociales basada en la ubicación
title Estrategias para la selección y ponderación de vecinos para recomendación en redes sociales basada en la ubicación
spellingShingle Estrategias para la selección y ponderación de vecinos para recomendación en redes sociales basada en la ubicación
Ríos, Carlos
Redes sociales online
Dispositivos móviles
LBSNs
GPS
Web 2.0
Teléfonos inteligentes
SRs
Servicios Web
Usuarios
Ciencias de la computación
Redes sociales geo-localizadas
LBSN
Computación orientada a servicios
Tesis de doctorado
title_short Estrategias para la selección y ponderación de vecinos para recomendación en redes sociales basada en la ubicación
title_full Estrategias para la selección y ponderación de vecinos para recomendación en redes sociales basada en la ubicación
title_fullStr Estrategias para la selección y ponderación de vecinos para recomendación en redes sociales basada en la ubicación
title_full_unstemmed Estrategias para la selección y ponderación de vecinos para recomendación en redes sociales basada en la ubicación
title_sort Estrategias para la selección y ponderación de vecinos para recomendación en redes sociales basada en la ubicación
dc.creator.none.fl_str_mv Ríos, Carlos
author Ríos, Carlos
author_facet Ríos, Carlos
author_role author
dc.contributor.none.fl_str_mv Schiaffino, Silvia
Godoy, Daniela
dc.subject.none.fl_str_mv Redes sociales online
Dispositivos móviles
LBSNs
GPS
Web 2.0
Teléfonos inteligentes
SRs
Servicios Web
Usuarios
Ciencias de la computación
Redes sociales geo-localizadas
LBSN
Computación orientada a servicios
Tesis de doctorado
topic Redes sociales online
Dispositivos móviles
LBSNs
GPS
Web 2.0
Teléfonos inteligentes
SRs
Servicios Web
Usuarios
Ciencias de la computación
Redes sociales geo-localizadas
LBSN
Computación orientada a servicios
Tesis de doctorado
dc.description.none.fl_txt_mv Los Sistemas de Recomendación (SRs) basados en la ubicación están ganando importancia con la proliferación de las aplicaciones que ofrecen servicios a los usuarios basándose en la ubicación geográfica de éstos (proporcionada por los dispositivos móviles), así como el contenido generado por el usuario en las redes sociales online. Entre los servicios basados en la ubicación se destacan la redes sociales geo-localizadas (LBSNs, del inglés location-based social networks). Estas redes aprovechan tecnologías como GPS, Web 2.0 y teléfonos inteligentes para permitir a los usuarios compartir sus ubicaciones (check-ins), buscar puntos de interés (POIs), buscar descuentos, comentar sobre lugares específicos, conectarse con amigos y encontrar a los que están cerca de una ubicación específica. Los sistemas de recomendación basados en la ubicación juegan un papel importante en este tipo de redes sociales, ya que por ejemplo en la recomendación de puntos de interés pueden ayudar a los usuarios a explorar lugares atractivos y ayudar a los proveedores de servicios de redes sociales a diseñar anuncios sensibles a la ubicación del POI. En la construcción de sistemas de recomendación se utilizan técnicas clásicas tales como el filtrado colaborativo (FC). Los enfoques colaborativos para la generación de recomendaciones se basan en las opiniones de las personas con ideas afines, los llamados vecinos, para realizar la predicción. En primer lugar los vecinos son seleccionados y luego sus opiniones se ponderan según su contribución esperada. Por lo tanto, una selección y una ponderación adecuada de dichos vecinos se vuelven esenciales para lograr buenos resultados de predicción. El objetivo de esta tesis fue proponer y analizar una serie de diferentes estrategias para seleccionar y ponderar los vecinos en el contexto de un sistema de recomendación basado en filtrado colaborativo para las recomendaciones de puntos de interés (POIs). Mientras que los métodos estándar se basan en la similitud de las preferencias de los usuarios para seleccionar y ponderar vecinos, en este trabajo se propusieron y analizaron diversas estrategias que exploran las dimensiones adicionales existentes en las LBSNs, como las relaciones sociales, la información sobre visitas y la información geográfica. El impacto de las diferentes estrategias propuestas ha sido evaluado y comparado con el enfoque tradicional de filtrado colaborativo usando dos conjuntos de datos de dos redes sociales geo-localizadas reales (Foursquare y Yelp). En términos generales, las estrategias propuestas para seleccionar y ponderar vecinos basadas en los diferentes elementos disponibles en una LBSN logran mejores resultados que el enfoque tradicional de filtrado colaborativo. Nuestros hallazgos pueden ser útiles tanto para investigadores en el área de sistemas de recomendación como para desarrolladores de sistemas de recomendación en el contexto de LBSN, ya que pueden tomar en cuenta los resultados obtenidos para diseñar y proporcionar servicios más efectivos considerando la gran cantidad de información producida en una LBSN.
Fil: Ríos, Carlos. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Schiaffino, Silvia. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Godoy, Daniela. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
description Los Sistemas de Recomendación (SRs) basados en la ubicación están ganando importancia con la proliferación de las aplicaciones que ofrecen servicios a los usuarios basándose en la ubicación geográfica de éstos (proporcionada por los dispositivos móviles), así como el contenido generado por el usuario en las redes sociales online. Entre los servicios basados en la ubicación se destacan la redes sociales geo-localizadas (LBSNs, del inglés location-based social networks). Estas redes aprovechan tecnologías como GPS, Web 2.0 y teléfonos inteligentes para permitir a los usuarios compartir sus ubicaciones (check-ins), buscar puntos de interés (POIs), buscar descuentos, comentar sobre lugares específicos, conectarse con amigos y encontrar a los que están cerca de una ubicación específica. Los sistemas de recomendación basados en la ubicación juegan un papel importante en este tipo de redes sociales, ya que por ejemplo en la recomendación de puntos de interés pueden ayudar a los usuarios a explorar lugares atractivos y ayudar a los proveedores de servicios de redes sociales a diseñar anuncios sensibles a la ubicación del POI. En la construcción de sistemas de recomendación se utilizan técnicas clásicas tales como el filtrado colaborativo (FC). Los enfoques colaborativos para la generación de recomendaciones se basan en las opiniones de las personas con ideas afines, los llamados vecinos, para realizar la predicción. En primer lugar los vecinos son seleccionados y luego sus opiniones se ponderan según su contribución esperada. Por lo tanto, una selección y una ponderación adecuada de dichos vecinos se vuelven esenciales para lograr buenos resultados de predicción. El objetivo de esta tesis fue proponer y analizar una serie de diferentes estrategias para seleccionar y ponderar los vecinos en el contexto de un sistema de recomendación basado en filtrado colaborativo para las recomendaciones de puntos de interés (POIs). Mientras que los métodos estándar se basan en la similitud de las preferencias de los usuarios para seleccionar y ponderar vecinos, en este trabajo se propusieron y analizaron diversas estrategias que exploran las dimensiones adicionales existentes en las LBSNs, como las relaciones sociales, la información sobre visitas y la información geográfica. El impacto de las diferentes estrategias propuestas ha sido evaluado y comparado con el enfoque tradicional de filtrado colaborativo usando dos conjuntos de datos de dos redes sociales geo-localizadas reales (Foursquare y Yelp). En términos generales, las estrategias propuestas para seleccionar y ponderar vecinos basadas en los diferentes elementos disponibles en una LBSN logran mejores resultados que el enfoque tradicional de filtrado colaborativo. Nuestros hallazgos pueden ser útiles tanto para investigadores en el área de sistemas de recomendación como para desarrolladores de sistemas de recomendación en el contexto de LBSN, ya que pueden tomar en cuenta los resultados obtenidos para diseñar y proporcionar servicios más efectivos considerando la gran cantidad de información producida en una LBSN.
publishDate 2017
dc.date.none.fl_str_mv 2017-12
2018-11-01T14:32:54Z
2018-11-01T14:32:54Z
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://www.ridaa.unicen.edu.ar/handle/123456789/1817
url https://www.ridaa.unicen.edu.ar/handle/123456789/1817
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
publisher.none.fl_str_mv Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
dc.source.none.fl_str_mv reponame:RIDAA (UNICEN)
instname:Universidad Nacional del Centro de la Provincia de Buenos Aires
reponame_str RIDAA (UNICEN)
collection RIDAA (UNICEN)
instname_str Universidad Nacional del Centro de la Provincia de Buenos Aires
repository.name.fl_str_mv RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Aires
repository.mail.fl_str_mv lleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ;
_version_ 1846143036583575552
score 12.712165

Publicaciones similares