Los sistemas de recomendación son herramientas cruciales en la actualidad en diversos campos tanto para el uso personal como en el comercio electrónico dado que se personaliza y mejora el servicio proporcionado al usuario y, por lo tanto, incrementa los ingresos de las empresas. En este trabajo de fin de grado se presenta una revisión de la teoría detrás de estos métodos, centrándose en el filtrado colaborativo y en el filtrado basado en contenido, además de incluir diversas demostraciones y ejemplos sencillos para afianzar los conocimientos. Se proporciona la implementación de estos sistemas en Python, haciendo uso de bibliotecas como scikit-surprise y scikit-learn para la recomendación de películas a un usuario, analizando las diferentes recomendaciones que se le realizan.
Recommendation systems are crucial nowadays in several fields, for both personal use and e-commerce, since they personalize and improve the service provided to the final user and, therefore, increases companies’ revenue. This project presents a review of the theory behind these methods, focusing on collaborative filtering and content-based filtering, and includes several proofs and simple examples to reinforce the knowledge. In the end, there is also an implementation of the presented models using Python and libraries such us scikit-surprise and Scikit-learn providing recommendations to a user, analyzing the different recommendations that are made.
