Desarrollo y evaluación de sistemas de recomendación con análisis de sentimientos para la optimización de ventas en el mercado online : un enfoque analítico de datos

Abstract

RESUMEN : Este proyecto de monografía se enfoca en el desarrollo y evaluación de sistemas de recomendación con análisis de sentimientos para entender e identificar los patrones de comportamiento e interacción entre los usuarios y los productos en el mercado en línea, utilizando datos de reseñas de Amazon hasta el año 2018. Nuestra investigación tiene como objetivo abordar preguntas clave, utilizando datos de reseñas para mejorar las recomendaciones de productos, la aplicación del análisis de sentimientos para comprender las preferencias de los usuarios, evaluar la efectividad de diversos modelos de sistemas de recomendación y medir su rendimiento. Hemos empleado una variedad de enfoques, que incluyen Collaborative Filtering Systems, Content-Based Systems, Hybrid Recommendation Systems y Empirical Methods in Natural Language Processing. La evaluación se realizó con las siguientes métricas MSE, RMSE, MAE, MAPE y k-fold cross-validation Durante el proceso, enfrentamos desafíos relacionados con la calidad y volumen de los datos, incluida la capacidad de procesamiento en ambientes de desarrollo experimentales como Google Colaboratory, así como la selección adecuada de modelos. Sin embargo, superamos estos obstáculos mediante técnicas de preprocesamiento y ajuste de hiperparámetros. Los resultados revelaron mejoras en la precisión de las recomendaciones y la comprensión de las preferencias de los usuarios. Los modelos híbridos y los enfoques basados en contenido mostraron un rendimiento particularmente prometedor. Esta investigación presenta un enfoque analítico de datos para respaldar el entendimiento de las interacciones usuario - producto en mercados en línea y así aprovechar las propiedades del análisis de sentimientos y sistemas de recomendación. Nuestros resultados respaldan la utilidad de estos enfoques y abren oportunidades para aplicaciones en el comercio electrónico y más allá.

ABSTRACT : This monograph project focuses on the development and evaluation of sentiment analysis-based recommendation systems to understand and identify patterns of behavior and interaction between users and products in the e-commerce, using Amazon review data up to the year 2018. Our research aims to address key questions, utilizing review data to enhance product recommendations, applying sentiment analysis to understand user preferences, evaluating the effectiveness of various recommendation system models, and measuring their performance. We have employed a variety of approaches, including Collaborative Filtering Systems, Content-Based Systems, Hybrid Recommendation Systems, and Empirical Methods in Natural Language Processing. Evaluation was conducted using the following metrics: MSE, RMSE, MAE, MAPE y k-fold cross-validation. Throughout the process, we faced challenges related to the quality and volume of data, including processing capacity in experimental development environments such as Google Colaboratory, as well as the appropriate selection of models. However, we overcame these obstacles through preprocessing techniques and hyperparameter tuning. The results revealed improvements in the accuracy of recommendations and understanding user preferences. Hybrid models and content-based approaches showed particularly promising performance. This research presents a data analytical approach to support the understanding of user-product interactions in online markets, leveraging the properties of sentiment analysis and recommendation systems. Our findings support the utility of these approaches and open opportunities for applications in e-commerce and beyond.