Abstract:
La búsqueda de información relevante dentro de grandes cantidades de datos es conocida como Data Mining. Las herramientas de Data Mining permiten la extracción de cualquier tipo de información oculta pero significativa, la cual permite mejorar el proceso de toma de decisiones. Dentro de estas herramientas se encuentran los Sistemas de Recomendaciones, que están diseñadas para ayudar a diferentes usuarios el navegar dentro de sistemas complejos que presenten una gran cantidad de información; como lo pueden ser los sitios de entretenimiento, tiendas en línea, buscadores, etc.; mediante el empleo de características de los usuarios o de la similitud entre los ítems almacenados dentro de las bases de datos de estos sistemas. A partir de esta premisa, se puede hacer empleo de una rama del Data Mining conocida como Data Clustering, el cual estudia técnicas de agrupamiento de datos; siguiendo ciertas características o diferencias que puedan existir entre ellas. Estas técnicas emplean diversas formas de realizar esta tarea en particular; pero para mejorar el rendimiento y la eficiencia con la que realizan el trabajo, normalmente se suelen ser combinadas con técnicas de optimización, como lo son las técnicas de la rama de Inteligencia de Enjambres. La Inteligencia de Enjambres es una rama dentro de la Inteligencia Artificial que estudia el comportamiento colectivo de sistemas descentralizados auto-organizados, suelen ser sistemas bio-inspirados. Estos modelos suelen ser utilizados para resolver problemas de optimización; como en este caso es el agrupamiento de datos; resultando además de tener cierta facilidad de entendimiento e implementación en sistemas computacionales. Así, la investigación realizada tiene como objetivo principal el desarrollo de un Sistema de Recomendaciones, construido a partir de dos técnicas: Subtractive Clustering; técnica de Data Mining; y Particle Swarm Optimization; técnica de Inteligencia de Enjambres. Luego de implementar los algoritmos se analizaron el resultado de cada dataset con cada una de las métricas descritas para compararlas entre sí, lo que permitió determinar la eficiencia de cada uno de los algoritmos propuestos y, además, permitió generar las sugerencias necesarias para posibles casos de uso en un entorno real.
