Implementación de la Técnica de los K-Vecinos en un Algoritmo Recomendador para un Sistema de Compras Utilizando NFC y Android

Autores/as

  • Oscar Arley Riveros Universidad Distrital Francisco José de Caldas
  • Juan Guillermo Romero Universidad Distrital Francisco José de Caldas
  • Jhon Francined Herrera Universidad Distrital Francisco José de Caldas

DOI:

https://doi.org/10.17981/ingecuc.13.1.2017.01

Palabras clave:

Algoritmo recomendador, Android, aplicación, base de datos, móvil, productos, recomendador, retroalimentación, servidor.

Resumen

Introducción: Este artículo se orienta en presentar el diseño de una aplicación móvil que involucra la tecnología NFC y un algoritmo recomendador colaborativo bajo la técnica de los K-vecinos, permitiendo observar sugerencias personalizadas para cada cliente.

Objetivo: Diseñar y desarrollar una aplicación móvil, usando tecnologías NFC y Técnica de los K-Vecinos en una Algoritmo recomendador, para un Sistema de Compras.

Metodología: El proceso seguido para el diseño y desarrollo de la aplicación se enfoca en:

• Revisión del estado del arte en los sistemas de compras móviles.

• Construcción del Estado del arte en el uso de la Tecnología NFC y las técnicas de IA para sistemas recomendadores, enfocadas en los Algoritmos de K-Vecinos.

• Diseño del sistema Propuesto

• Parametrización e implementación de la Técnica de los K-Vecinos e integración de la Tecnología NFC.

• Implementación y Pruebas del Sistema Propuesto.

Resultados: Dentro de los resultados obtenidos se detallan:

• Aplicación móvil que integra Android, Tecnologías NFC y una Técnica de Algoritmo Recomendador

• Parametrización de la Técnica de los K-Vecinos, para ser usada dentro del algoritmo recomendador.

• Implementación de requerimientos funcionales que permiten generar recomendaciones personalizadas de compra al usuario, calificaciones de usuario.

Conclusiones: La técnica de los k-vecinos en un algoritmo recomendador permite suministrarle al cliente una serie recomendaciones con un nivel de seguridad, dado que este algoritmo realiza cálculos teniendo en cuenta múltiples parámetros y contrasta los resultados obtenidos para otros usuarios logrando encontrar los artículos con un mayor grado de similitud con el perfil del cliente. Este algoritmo parte de una muestra de productos similares, complementarios y otros no relacionados, aplicando su formulación respectiva, se obtiene que la recomendación se realiza únicamente con los productos complementarios que obtuvieron mayor calificación; marcando una gran diferencia con la mayoría de sistemas recomendadores del mercado, que sólo se limitan a sugerir los productos más vendidos, mejor calificados o de la misma categoría.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1] Gutiérrez, R. (2015). La era digital revoluciona el mundo del Shopper. Marketing News, Edición (59), pp. 20-21.
[2] Izaguirre, E.E. (2015). Sistemas de recomendación en Apache Spark. Disponible enn: http://academica-e.unavarra.es/handle/2454/19015 .
[3] Gomez, C.A., Hunt, N. (2016). The Netflix Recommender System: Algorith, Business Value, and Innovation. Journal ACM Transactions on Management Information Systems, 6, pp. 13,3-13,5.
[4] Honhwei, D. (2013). NFC Technology: Today and Tomorrow. International Journal of Future Computer and Communication, 2, pp.351-353.
[5] ISO. (2004). INTERNATIONAL STANDARD ISO/IEC 18092:2013 TECHNICAL CORRIGENDUM 1. Disponible en: http://www.iso.org/iso/catalogue_detail.htm?csnumber=38578

[6] Nikitin, V. & Lazar, S. (2007, Marzo). ”An Overview of Near Field UHF RFID”. Presentado: IEEE International Conference on RFID, Texas, USA.
[7] Maillo, J & Triguero I. (2003). Un enfoque MapReduce del algoritmo k-vecinos más cercanos para Big Data. ACM, 7, pp. 971-980.
[8] Smith, S. (2016). Digital Commerce Transactions to surge: Market to see Sustantial Contributions from eCommerce Purchases. Disponible en: http://www.juniperresearch.com/press/press-releases/digital-commerce-transactions-to-surge-reaching-ov.
[9] Coskum, V. & Ozdenizci, B. (2013). A Survey on Near Field Communication (NFC) Technology. Wireless Personal Communications, 71, pp. 2259-2294.
[10] López, F.V. (2013). Técnicas eficientes para la recomendación de productos basadas en filtrado colaborativo (Tesis de Doctorado). Departamento de tecnologías de la información y de las comunicaciones, Universidad de Coruña, España.
[11] Fuentes, J.J. (2009). Sistema Recomendador Turístico (Master en Ingeniería Telemática). Departamentos de Redes e Ingeniería, Universidad de Vigo, Orense, España. Pp. 34-38.
[12] Sánchez, D.G. & Piza, I.E. (2013). Un algoritmo de clasificación incremental basado en los k-vecinos más similares para datos mezclados. Revista-Facultad de Ingeniería Universidad de Antioquia, 67, pp. 19-25.
[13] Bobadilla, J. (2010). A new collaborative filtering metric that improves the behavior of recommender systems. Knowledge-Based Systems , 23, pp. 520-528.
[14] Pita, F.S. & Pertega, D.S. (2001). Relación entre variables cuantitativas. Disponible en: https://www.fisterra.com/mbe/investiga/var_cuantitativas/var_cuantitativas2.pdf.
[15] Ekstrand, J.T. & Konstan, J.A. (2011). Collaborative Filtering Recommender Systems. Now Foundations and Trends, 23, pp. 291-320.
[16] Spreitzenbarth, M y Freiling, F. (2013, Marzo). “Having a deeper look into android applications”.Presentado en: Proceedings of the 28th Annual ACM Symposium on Applied Computing, New York, USA. pp.16-18.
[17] Fielding, R & Gettys, J. (1999). Hypertext Transfer Protocol –HTTP/1.1. En: https://tools.ietf.org/html/rfc2616.

[18] Ainhoa, G.E. (2013). Uso del Contexto social en estrategias de marketing para sistemas recomendadores (Master en Investigación). Facultad de Informática, Universidad de Complutense, Madrid, España.
[19] Sarwar, B. y Karypis, G. (2015). Collaborative Filtering Recommendation Algorithm. Advanced Science and Technology Letters, 111, pp. 143-146.
[20] Hayder, N.K y Behadili, A.L. (2010). Classification Algorithms for Determining Handwritten Digit. Electrical and Electronic Engineering, 12, pp 96-99.
[21] Carratala, O.J & Ruiz, E.V.(1996).Algoritmos de búsqueda de vecinos más próximos en espacios métricos (Tesis Doctoral), Departamento de Sistemas Informáticos y Computación, Universidad Politécnica de Valencia, España, pp. 123-125.
[22] Maillo J. & Triguero, I. (2015). Un enfoque MapReduce del algoritmo k-vecinos m ́as cercanos para Big Data. Neurocomputing, 150, pp. 332-333.
[23] Lineberger, J & Thompson, W. (2016). Recommendations Engine in a Layered Social Media Webpage. Patent Application Publication, pp 1-14.
[24] García, S.E. & Romero, C.M. (2008). Sistema recomendador colaborativo usando minería de datos distribuida para la mejora continua de cursos e-learning. Electrical and Electronic Engineering, 3, pp. 19-20.

Descargas

Archivos adicionales

Publicado

2017-01-01

Cómo citar

Riveros, O. A., Romero, J. G., & Herrera, J. F. (2017). Implementación de la Técnica de los K-Vecinos en un Algoritmo Recomendador para un Sistema de Compras Utilizando NFC y Android. Inge Cuc, 13(1), 9–18. https://doi.org/10.17981/ingecuc.13.1.2017.01

Número

Vol. 13 Núm. 1 (2017): (Enero - Junio)

Sección

Artículos

Licencia

Los artículos publicados son de exclusiva responsabilidad de sus autores y no reflejan necesariamente las opiniones del comité editorial. 

La Revista INGE CUC respeta los derechos morales de sus autores, los cuales ceden al comité editorial los derechos patrimoniales del material publicado.  A su vez, los autores informan que el presente trabajo es inédito y no ha sido publicado anteriormente. 

Todos los artículos están bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.

Licencia Creative Commons