
)SOLR_TLOGA'strings€   ƒCæ‡$e³  7handle:"123456789/1344"   #ƒAxÛšMð  J?€  7SolrIndexer.lastIndexed82025-06-20T14:24:03.279Z/search.uniqueid?2-f5d2335a-bd7e-4fad-a965-76cbb37983423search.resourcetype!21search.resourceid?f5d2335a-bd7e-4fad-a965-76cbb3798342&handle.123456789/1344(locationƒ?m8b295f10-2c88-4099-a34e-6f392ef42e5f?m58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f?l5b6bc384-38df-43a5-af47-11d8b9d130cb-location.comm‚?8b295f10-2c88-4099-a34e-6f392ef42e5f?58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f-location.coll?5b6bc384-38df-43a5-af47-11d8b9d130cb(archived$true)withdrawn%false,discoverable$true,lastModified82025-06-20T14:24:03.248Z&authorƒ?PavÃ³n de Brunelli, Ruth Nathalia6MartÃ­nez LÃ³pez, Luis3Yera Toledo, Raciel.author_keywordƒ?PavÃ³n de Brunelli, Ruth Nathalia6MartÃ­nez LÃ³pez, Luis3Yera Toledo, Raciel)author_acƒ?(pavÃ³n de brunelli, ruth nathalia
|||
PavÃ³n de Brunelli, Ruth Nathalia?martÃ­nez lÃ³pez, luis
|||
MartÃ­nez LÃ³pez, Luis?yera toledo, raciel
|||
Yera Toledo, Raciel-author_filterƒ?(pavÃ³n de brunelli, ruth nathalia
|||
PavÃ³n de Brunelli, Ruth Nathalia?martÃ­nez lÃ³pez, luis
|||
MartÃ­nez LÃ³pez, Luis?yera toledo, raciel
|||
Yera Toledo, Raciel8dc.contributor.author_hlƒ?PavÃ³n de Brunelli, Ruth Nathalia6MartÃ­nez LÃ³pez, Luis3Yera Toledo, Raciel9dc.contributor.author_mltƒ?PavÃ³n de Brunelli, Ruth Nathalia6MartÃ­nez LÃ³pez, Luis3Yera Toledo, Raciel5dc.contributor.authorƒ?PavÃ³n de Brunelli, Ruth Nathalia6MartÃ­nez LÃ³pez, Luis3Yera Toledo, Raciel<dc.contributor.author_storedƒ?&PavÃ³n de Brunelli, Ruth Nathalia
|||
null
|||
null
|||
null
|||
null?MartÃ­nez LÃ³pez, Luis
|||
null
|||
null
|||
null
|||
null?Yera Toledo, Raciel
|||
null
|||
null
|||
null
|||
null:dc.description.abstract_hl?¼Los sistemas de recomendaciÃ³n se han vuelto muy populares por su amplio uso en varios dominios aplicaciones para ayudar en la toma de decisiones diarias, recomendando elementos adaptados a las preferencias del usuario, Uno de los mÃ©todos mÃ¡s utilizados en los recomendadores son los algoritmos basados en filtrado colaborativo, los cuales generar recomendaciones a partir de las valoraciones o comportamiento de otros usuarios similares del sistema. Si bien los sistemas de recomendaciÃ³n ofrecen un gran apoyo para filtrar datos en grandes volÃºmenes de informaciÃ³n, varios estudios han revelado que estos sistemas pueden heredar fÃ¡cilmente el sesgo; es decir un peso desigual de un producto respecto a otro debido a distintos aspectos, generalmente de una manera que se considera injusta.
Las recomendaciones resultantes de tales sistemas pueden dar lugar a consecuencias perjudiciales
para los grupos minoritarios en tÃ©rminos de gÃ©nero, etnia, raza y otros. Este trabajo tiene como objetivo evaluar el criterio de equidad basado en informaciÃ³n demogrÃ¡fica, utilizando cinco mÃ©tricas que abordan diferentes tipos de sesgo. Para llevar a cabo la evaluaciÃ³n de este criterio, se realizaron los experimentos off-line utilizando los conjuntos de datos "Movielens-100k" y "Last.fm 360K", que poseen informaciÃ³n demogrÃ¡fica de usuarios. A su vez, se utilizaron los algoritmos de recomendaciÃ³n de filtrado colaborativo Ã­tem-Ã­tem basada en vecindario (KNN) y recomendaciÃ³n basada en factorizaciÃ³n matricial (SVD), para luego
evaluar la equidad de los algoritmos partir de las mÃ©tricas y la precisiÃ³n de las recomendaciones generadas. Los resultados obtenidos demuestran que el algoritmo de factorizaciÃ³n matricial (SVD) obtiene mejores resultados tanto en tÃ©rminos de equidad como en la precisiÃ³n de las recomendaciones. AsÃ­ mismo, desde la perspectiva de los conjuntos de datos utilizados, "Last.fm 360K" arroja mejores resultados en las mÃ©tricas de precisiÃ³n y en las mÃ©tricas de equidad.7dc.description.abstract?¼Los sistemas de recomendaciÃ³n se han vuelto muy populares por su amplio uso en varios dominios aplicaciones para ayudar en la toma de decisiones diarias, recomendando elementos adaptados a las preferencias del usuario, Uno de los mÃ©todos mÃ¡s utilizados en los recomendadores son los algoritmos basados en filtrado colaborativo, los cuales generar recomendaciones a partir de las valoraciones o comportamiento de otros usuarios similares del sistema. Si bien los sistemas de recomendaciÃ³n ofrecen un gran apoyo para filtrar datos en grandes volÃºmenes de informaciÃ³n, varios estudios han revelado que estos sistemas pueden heredar fÃ¡cilmente el sesgo; es decir un peso desigual de un producto respecto a otro debido a distintos aspectos, generalmente de una manera que se considera injusta.
Las recomendaciones resultantes de tales sistemas pueden dar lugar a consecuencias perjudiciales
para los grupos minoritarios en tÃ©rminos de gÃ©nero, etnia, raza y otros. Este trabajo tiene como objetivo evaluar el criterio de equidad basado en informaciÃ³n demogrÃ¡fica, utilizando cinco mÃ©tricas que abordan diferentes tipos de sesgo. Para llevar a cabo la evaluaciÃ³n de este criterio, se realizaron los experimentos off-line utilizando los conjuntos de datos "Movielens-100k" y "Last.fm 360K", que poseen informaciÃ³n demogrÃ¡fica de usuarios. A su vez, se utilizaron los algoritmos de recomendaciÃ³n de filtrado colaborativo Ã­tem-Ã­tem basada en vecindario (KNN) y recomendaciÃ³n basada en factorizaciÃ³n matricial (SVD), para luego
evaluar la equidad de los algoritmos partir de las mÃ©tricas y la precisiÃ³n de las recomendaciones generadas. Los resultados obtenidos demuestran que el algoritmo de factorizaciÃ³n matricial (SVD) obtiene mejores resultados tanto en tÃ©rminos de equidad como en la precisiÃ³n de las recomendaciones. AsÃ­ mismo, desde la perspectiva de los conjuntos de datos utilizados, "Last.fm 360K" arroja mejores resultados en las mÃ©tricas de precisiÃ³n y en las mÃ©tricas de equidad.=dc.description.abstract.es_ES?¼Los sistemas de recomendaciÃ³n se han vuelto muy populares por su amplio uso en varios dominios aplicaciones para ayudar en la toma de decisiones diarias, recomendando elementos adaptados a las preferencias del usuario, Uno de los mÃ©todos mÃ¡s utilizados en los recomendadores son los algoritmos basados en filtrado colaborativo, los cuales generar recomendaciones a partir de las valoraciones o comportamiento de otros usuarios similares del sistema. Si bien los sistemas de recomendaciÃ³n ofrecen un gran apoyo para filtrar datos en grandes volÃºmenes de informaciÃ³n, varios estudios han revelado que estos sistemas pueden heredar fÃ¡cilmente el sesgo; es decir un peso desigual de un producto respecto a otro debido a distintos aspectos, generalmente de una manera que se considera injusta.
Las recomendaciones resultantes de tales sistemas pueden dar lugar a consecuencias perjudiciales
para los grupos minoritarios en tÃ©rminos de gÃ©nero, etnia, raza y otros. Este trabajo tiene como objetivo evaluar el criterio de equidad basado en informaciÃ³n demogrÃ¡fica, utilizando cinco mÃ©tricas que abordan diferentes tipos de sesgo. Para llevar a cabo la evaluaciÃ³n de este criterio, se realizaron los experimentos off-line utilizando los conjuntos de datos "Movielens-100k" y "Last.fm 360K", que poseen informaciÃ³n demogrÃ¡fica de usuarios. A su vez, se utilizaron los algoritmos de recomendaciÃ³n de filtrado colaborativo Ã­tem-Ã­tem basada en vecindario (KNN) y recomendaciÃ³n basada en factorizaciÃ³n matricial (SVD), para luego
evaluar la equidad de los algoritmos partir de las mÃ©tricas y la precisiÃ³n de las recomendaciones generadas. Los resultados obtenidos demuestran que el algoritmo de factorizaciÃ³n matricial (SVD) obtiene mejores resultados tanto en tÃ©rminos de equidad como en la precisiÃ³n de las recomendaciones. AsÃ­ mismo, desde la perspectiva de los conjuntos de datos utilizados, "Last.fm 360K" arroja mejores resultados en las mÃ©tricas de precisiÃ³n y en las mÃ©tricas de equidad./dc.language.iso"es5dc.language.iso.es_ES"es,dc.publisher?Facultad PolitÃ©cnica, Universidad Nacional del Este2dc.publisher.es_ES?Facultad PolitÃ©cnica, Universidad Nacional del Este'subjectƒ'Equidad5Filtrado Colaborativo9Sistema de RecomendaciÃ³n/subject_keyword†'Equidad'Equidad5Filtrado Colaborativo5Filtrado Colaborativo9Sistema de RecomendaciÃ³n9Sistema de RecomendaciÃ³n*subject_acƒ3equidad
|||
Equidad?filtrado colaborativo
|||
Filtrado Colaborativo?sistema de recomendaciÃ³n
|||
Sistema de RecomendaciÃ³n4subject_tax_0_filterƒ3equidad
|||
Equidad?filtrado colaborativo
|||
Filtrado Colaborativo?sistema de recomendaciÃ³n
|||
Sistema de RecomendaciÃ³n.subject_filterƒ3equidad
|||
Equidad?filtrado colaborativo
|||
Filtrado Colaborativo?sistema de recomendaciÃ³n
|||
Sistema de RecomendaciÃ³n.dc.subject_mltƒ'Equidad5Filtrado Colaborativo9Sistema de RecomendaciÃ³n*dc.subjectƒ'Equidad5Filtrado Colaborativo9Sistema de RecomendaciÃ³n0dc.subject.es_ESƒ'Equidad5Filtrado Colaborativo9Sistema de RecomendaciÃ³n%title?]EvaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo.-title_keyword?]EvaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo.(title_ac?ÞevaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo.
|||
EvaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo.-dc.title_sort?]EvaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo.+dc.title_hl?]EvaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo.,dc.title_mlt?]EvaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo.(dc.title?]EvaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo./dc.title_stored?‚EvaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo.
|||
null
|||
null
|||
null
|||
es_ES.dc.title.es_ES?]EvaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo.'dc.type&Thesis-dc.type.es_ES&Thesis1dc.identifier.uri?http://localhost:8080/xmlui/handle/123456789/13446dc.date.accessioned_dt82025-06-20T14:23:52.000Z3dc.date.accessioned42025-06-20T14:23:52Z1dc.date.available42025-06-20T14:23:52Z*dateIssued*2022-01-012dateIssued_keyword‚*2022-01-01$2022-dateIssued_ac‚92022-01-01
|||
2022-01-01$2022/dateIssued.year$20224dateIssued.year_sort$20221dc.date.issued_dt82022-01-01T00:00:00.000Z.dc.date.issued*2022-01-015dc.date.issued_stored?2022-01-01
|||
null
|||
null
|||
null
|||
null/publication_grp.123456789/1344>has_content_in_original_bundle%false?has_content_in_original_bundle_keyword%false?has_content_in_original_bundle_filter%false/bi_2_dis_filterƒ?)pavoÌn de brunelli, ruth nathalia
|||
PavÃ³n de Brunelli, Ruth Nathalia?yera toledo, raciel
|||
Yera Toledo, Raciel?martiÌnez loÌpez, luis
|||
MartÃ­nez LÃ³pez, Luis0bi_2_dis_partialƒ3Yera Toledo, Raciel?PavÃ³n de Brunelli, Ruth Nathalia6MartÃ­nez LÃ³pez, Luis5bi_2_dis_value_filterƒ3Yera Toledo, Raciel?PavÃ³n de Brunelli, Ruth Nathalia6MartÃ­nez LÃ³pez, Luis/bi_4_dis_filterƒ?sistema de recomendacioÌn
|||
Sistema de RecomendaciÃ³n?filtrado colaborativo
|||
Filtrado Colaborativo3equidad
|||
Equidad0bi_4_dis_partialƒ'Equidad5Filtrado Colaborativo9Sistema de RecomendaciÃ³n5bi_4_dis_value_filterƒ'Equidad5Filtrado Colaborativo9Sistema de RecomendaciÃ³n.bi_sort_1_sort?aevaluacioÌn del criterio equidad basado en informacioÌn demograÌfica en sistemas de recomendacioÌn de filtrado colaborativo..bi_sort_2_sort$2022.bi_sort_3_sort42025-06-20T14:23:52Z$read?g8f18a99c-4fd6-4787-bf2c-39ee4473d82a'a_spell?PavÃ³n de Brunelli, Ruth Nathalia6MartÃ­nez LÃ³pez, Luis3Yera Toledo, Raciel?¼Los sistemas de recomendaciÃ³n se han vuelto muy populares por su amplio uso en varios dominios aplicaciones para ayudar en la toma de decisiones diarias, recomendando elementos adaptados a las preferencias del usuario, Uno de los mÃ©todos mÃ¡s utilizados en los recomendadores son los algoritmos basados en filtrado colaborativo, los cuales generar recomendaciones a partir de las valoraciones o comportamiento de otros usuarios similares del sistema. Si bien los sistemas de recomendaciÃ³n ofrecen un gran apoyo para filtrar datos en grandes volÃºmenes de informaciÃ³n, varios estudios han revelado que estos sistemas pueden heredar fÃ¡cilmente el sesgo; es decir un peso desigual de un producto respecto a otro debido a distintos aspectos, generalmente de una manera que se considera injusta.
Las recomendaciones resultantes de tales sistemas pueden dar lugar a consecuencias perjudiciales
para los grupos minoritarios en tÃ©rminos de gÃ©nero, etnia, raza y otros. Este trabajo tiene como objetivo evaluar el criterio de equidad basado en informaciÃ³n demogrÃ¡fica, utilizando cinco mÃ©tricas que abordan diferentes tipos de sesgo. Para llevar a cabo la evaluaciÃ³n de este criterio, se realizaron los experimentos off-line utilizando los conjuntos de datos "Movielens-100k" y "Last.fm 360K", que poseen informaciÃ³n demogrÃ¡fica de usuarios. A su vez, se utilizaron los algoritmos de recomendaciÃ³n de filtrado colaborativo Ã­tem-Ã­tem basada en vecindario (KNN) y recomendaciÃ³n basada en factorizaciÃ³n matricial (SVD), para luego
evaluar la equidad de los algoritmos partir de las mÃ©tricas y la precisiÃ³n de las recomendaciones generadas. Los resultados obtenidos demuestran que el algoritmo de factorizaciÃ³n matricial (SVD) obtiene mejores resultados tanto en tÃ©rminos de equidad como en la precisiÃ³n de las recomendaciones. AsÃ­ mismo, desde la perspectiva de los conjuntos de datos utilizados, "Last.fm 360K" arroja mejores resultados en las mÃ©tricas de precisiÃ³n y en las mÃ©tricas de equidad."es?Facultad PolitÃ©cnica, Universidad Nacional del Este'Equidad5Filtrado Colaborativo9Sistema de RecomendaciÃ³n?]EvaluaciÃ³n del criterio equidad basado en informaciÃ³n demogrÃ¡fica en sistemas de recomendaciÃ³n de filtrado colaborativo.&Thesis?http://localhost:8080/xmlui/handle/123456789/134442025-06-20T14:23:52Z42025-06-20T14:23:52Z$2022)_version_xÛšMð    7ÆƒD`-SOLR_TLOG_END   