Modelo de filtrado colaborativo neuronal profundo para recomendación personalizada de viajes

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Sistemas de Recomendación

Sus antecedentes:

• Las recomendaciones de viajes personalizadas son cruciales para la experiencia del usuario.
• Los métodos tradicionales de filtrado colaborativo enfrentan desafíos como la dispersión de datos y los problemas de arranque en frío.
• Estas limitaciones conducen a predicciones de viaje y satisfacción del usuario subóptimas.

Objetivo del estudio:

• Desarrollar un sistema avanzado de recomendación de viajes personalizados.
• Abordar las diversas preferencias de los usuarios en la planificación de viajes utilizando un enfoque novedoso.
• Superar las limitaciones de los modelos tradicionales de filtrado colaborativo.

Principales métodos:

• Implementación de un modelo de filtrado colaborativo neuronal (NCF).
• Utilización de una red neuronal para aprender relaciones complejas entre usuarios y viajes.
• Empleo de un perceptrón multicapa para refinar las predicciones basadas en las interacciones del usuario.

Principales resultados:

• El modelo NCF supera significativamente a los métodos de recomendación tradicionales.
• Se demostraron mejoras en la precisión de la predicción y la satisfacción del usuario.
• Manejo efectivo de la dispersión de datos y las diversas preferencias del usuario.

Conclusiones:

• El modelo NCF propuesto avanza las recomendaciones de viajes personalizadas.
• Las redes neuronales ofrecen una solución poderosa para las complejas dinámicas entre usuarios y viajes.
• El sistema mejora la experiencia del usuario a través de sugerencias de viajes más precisas y diversas.