Aproximando a los sistemas recomendadores desde los algoritmos genéticos

Aproximando a los sistemas recomendadores desde los algoritmos genéticos

El presente trabajo abarca un enfoque alternativo, desde los algoritmos evolutivos, a la manera tradicional en que se abordan los sistemas recomendadores (SR de aquí en adelante). Se examinan las posibilidades de los algoritmos genéticos para brindar características adaptativas a estos sistemas. Nue...

Full description

Bibliographic Details
Main Authors: Oswaldo Vélez Langs, Carlos Santos
Format: Article
Language:English
Published: Universidad Autónoma de Bucaramanga 2006-12-01
Series:Revista Colombiana de Computación
Online Access:https://revistas.unab.edu.co/index.php/rcc/article/view/1047
id doaj-0edd2b8f241943d6921f843cd70fda4e
record_format Article
spelling doaj-0edd2b8f241943d6921f843cd70fda4e2020-11-25T03:24:55ZengUniversidad Autónoma de BucaramangaRevista Colombiana de Computación1657-28312539-21152006-12-0172Aproximando a los sistemas recomendadores desde los algoritmos genéticosOswaldo Vélez Langs0Carlos Santos1Universidad del Sinú, Carrera 1w Calle 38, Montería, Colombia,Universidad Rey Juan Carlos, Departamento de Arquitectura, Tecnología de Computadores, Ciencias de la ComputaciónEl presente trabajo abarca un enfoque alternativo, desde los algoritmos evolutivos, a la manera tradicional en que se abordan los sistemas recomendadores (SR de aquí en adelante). Se examinan las posibilidades de los algoritmos genéticos para brindar características adaptativas a estos sistemas. Nuestro objetivo, además de proporcionar una panorámica informativa general sobre las posibilidades y potencialidades de los SR, es proveer mecanismos para que los SR sean capaces de aprender características personales desde los usuarios, con miras a mejorar la efectividad a la hora de encontrar recomendaciones y sugerencias apropiadas para un individuo en particular. Palabras claves: Filtrado Colaborativo de la Información, Aprendizaje Automático, Algoritmos Evolutivos, Interfaces de Usuario Adaptivas   https://revistas.unab.edu.co/index.php/rcc/article/view/1047
collection DOAJ
language English
format Article
sources DOAJ
author Oswaldo Vélez Langs
Carlos Santos
spellingShingle Oswaldo Vélez Langs
Carlos Santos
Aproximando a los sistemas recomendadores desde los algoritmos genéticos
Revista Colombiana de Computación
author_facet Oswaldo Vélez Langs
Carlos Santos
author_sort Oswaldo Vélez Langs
title Aproximando a los sistemas recomendadores desde los algoritmos genéticos
title_short Aproximando a los sistemas recomendadores desde los algoritmos genéticos
title_full Aproximando a los sistemas recomendadores desde los algoritmos genéticos
title_fullStr Aproximando a los sistemas recomendadores desde los algoritmos genéticos
title_full_unstemmed Aproximando a los sistemas recomendadores desde los algoritmos genéticos
title_sort aproximando a los sistemas recomendadores desde los algoritmos genéticos
publisher Universidad Autónoma de Bucaramanga
series Revista Colombiana de Computación
issn 1657-2831
2539-2115
publishDate 2006-12-01
description El presente trabajo abarca un enfoque alternativo, desde los algoritmos evolutivos, a la manera tradicional en que se abordan los sistemas recomendadores (SR de aquí en adelante). Se examinan las posibilidades de los algoritmos genéticos para brindar características adaptativas a estos sistemas. Nuestro objetivo, además de proporcionar una panorámica informativa general sobre las posibilidades y potencialidades de los SR, es proveer mecanismos para que los SR sean capaces de aprender características personales desde los usuarios, con miras a mejorar la efectividad a la hora de encontrar recomendaciones y sugerencias apropiadas para un individuo en particular. Palabras claves: Filtrado Colaborativo de la Información, Aprendizaje Automático, Algoritmos Evolutivos, Interfaces de Usuario Adaptivas  
url https://revistas.unab.edu.co/index.php/rcc/article/view/1047
work_keys_str_mv AT oswaldovelezlangs aproximandoalossistemasrecomendadoresdesdelosalgoritmosgeneticos
AT carlossantos aproximandoalossistemasrecomendadoresdesdelosalgoritmosgeneticos
_version_ 1724599083578949632

Similar Items