Recomendación de localizaciones de negocio usando aprendizaje automático
Author
Guiérrez Díaz, JorgeAdvisor
Bellogin Kouki, Alejandro
Entity
UAM. Departamento de Ingeniería InformáticaDate
2021Subjects
Servicios basados en la localización; Recomendación de tipos de negocio; Factorización de matrices; InformáticaNote
Máster en Investigación e Innovación en Inteligencia Computacional y Sistemas Interactivos
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Abstract
La selección de una ubicación para abrir un nuevo negocio se convierte en un desafío dentro delsector empresarial. Tradicionalmente esta selección se realiza a través de estudios de la zona y deconocimientos abstractos de los propios inversores, lo que supone un gran esfuerzo analizar y obtenerresultados significativos para tomar una decisión. El principal problema de elegir un buen lugar esque se deben tener en cuenta varios factores para que la tienda pueda obtener beneficios, en el casocontrario un mal lugar puede precipitar el cierre de este al poco de abrir.En este Trabajo Final de Máster se propone un algoritmo basado en un artículo reciente donde seanalizan diferentes ubicaciones a través de características basadas en la localización de la tienda y decaracterísticas comerciales relacionadas con los tipos de negocio que hay alrededor para recomendarqué tipo de negocio es más factible en esa ubicación. Para lograr esto, utilizamos la técnica de lafactorización de matrices para obtener factores latentes de otras ubicaciones y tipos de negocio, yjunto a otras características predecir la valoración de la ubicación con el tipo de negocio candidato.Para comprobar la eficiencia del algoritmo hemos utilizado el conjunto de datos de Foursquareque ofrece información sobre el posicionamiento de los diferentes negocios y registros de usuariosque incluyen información sobre cuándo acceden a estos. Para evaluar los resultados del modelo quehemos desarrollado, se han utilizado diferentes algoritmos clasificadores comobaselines: KNN, SVM,árboles de decisión y regresión logística. La evaluación de los resultados se ha elaborado a través delas métricas deprecision,recally nDCG.Como conclusión, se ha observado que la eficiencia del algoritmo desarrollado se encuentra limi-tada por el conjunto de datos con el que se entrene, teniendo peores resultados cuando no se tienes uficiente información (algo que ocurre en alguna de las ciudades incluidas en nuestros experimen-tos). Por otro lado, el algoritmo es capaz de obtener factores latentes a partir de conjuntos de datos dispersos y obtener resultados que superan a losbaselinesen la mayoría de situaciones.
Files in this item
Google Scholar:Guiérrez Díaz, Jorge
This item appears in the following Collection(s)
Except where otherwise noted, this item's license is described as https://creativecommons.org/licenses/by-nc-nd/4.0/
Related items
Showing items related by title, author, creator and subject.
-
Modelado y predicción de generación de residuos sólidos usando enfoque de aprendizaje automático
Gómez Borzdynski, Óscar
2020-06 -
Recomendación contextualizada usando una ontología de contexto genérica y de gran escala construida semiautomáticamente a partir de DBpedia
Rodríguez Artigot, Nicolás
2017-06 -
Desarrollo de competencias matemáticas en secundaria usando la técnica de aprendizaje orientado en proyectos
Arreguín, Luz Elena; Alfaro, Jorge A.; Ramírez, María Soledad
2012