Implementación de un sistema de recomendación basado en el análisis de polaridad y caracterización de revisiones de usuarios de un marketplace

Abstract

El crecimiento constante de Internet va de la mano con el rápido aumento del volumen de información, lo cual brinda una amplia gama de alternativas de compra al usuario, quien puede verse superado por la gran variedad de productos disponibles. A fin de ayudar en la elección de productos, se desarrollan los sistemas de recomendación, los cuales acotan los potenciales productos de agrado para el usuario. Con el fin de recabar mayor información, los sitios de comercio electrónico van añadiendo nuevas funcionalidades, tales como asignar una puntuación y comentarios sobre el producto adquirido. Este último expresa, en palabras del usuario, su sentimiento luego de realizar la compra, el cual podría ser un comentario positivo, negativo o neutro. Es así como surge la necesidad de poder analizar todos estos datos textuales, los cuales guardan una rica información sobre el parecer de los usuarios, pudiendo así ser utilizada para una potencial mejor toma de decisión a fin de mejorar el servicio de comercio. Sin embargo, para poder otorgar una recomendación al usuario, es necesario analizar a los demás que ya adquirieron productos similares, siendo importante detectar a aquellos compradores que tengan un patrón similar (por ejemplo, en sus comentarios) siendo este un problema que demanda estrategias de filtrado de estas características similares. Por lo tanto, el presente tema de tesis combina los sistemas de recomendación y el análisis de polaridad con el objetivo de brindar una recomendación de productos al usuario con base en las puntuaciones y comentarios (usando filtros colaborativos), de manera que el usuario pueda obtener una lista reducida de productos potenciales a adquirir con base en su histórico de compras. Teniendo como conclusión principal la comprobación estadística de que el sistema de recomendación propuesto es superior a solo usar las puntuaciones para recomendar.