university recommendation system
1.0.0
En Internet hoy, se puede acceder a una sobreabundancia de información, lo que dificulta que los usuarios tomen decisiones apropiadas. Este fenómeno se conoce como sobrecarga de información. Los algoritmos de filtrado colaborativo (CF) son la técnica más utilizada en los sistemas de recomendación (RS) para el filtrado de información, es una respuesta al problema de la sobrecarga de información. Hace uso de las calificaciones que el usuario ha asignado a elementos que juegan un papel importante en el comercio electrónico para ayudar a los usuarios a elegir elementos de su interés. Para datos grandes y complejos, el filtrado colaborativo de criterios múltiples (MC-CF) frecuentemente ofrece un mejor rendimiento, recomendaciones precisas y de alta calidad para los usuarios que consideran múltiples aspectos del elemento. Los algoritmos CF deben actualizarse continuamente debido a un aumento constante en la cantidad de información, formas de acceso a esa información, escalabilidad y escasez en la matriz de calificación. Técnicas de reducción de dimensionalidad como: factorización de matriz y técnicas de factorización tensora han demostrado ser una solución bastante prometedora al problema de diseñar un algoritmo CF eficiente en la era de los big data.
Este trabajo tiene como objetivo ofrecer un sistema de recomendación universitaria para proporcionar recomendaciones universitarias/universitarias a los estudiantes que combinan la técnica de reducción de filtrado y dimensionalidad de criterios múltiples para proporcionar recomendaciones universitarias/universitarias de alta calidad a los estudiantes. La solución propuesta no solo reduce el costo de cálculo, sino que también aumenta la precisión y la eficiencia de los algoritmos MC-CF implementados utilizando el marco Apache Mahout. Al utilizar la API de Mahout, el tiempo de respuesta del algoritmo mejoró significativamente.
Página de inicio 
Página de inicio de sesión 
Página de búsqueda 
Página de recomendaciones 
Revisión 
