: Modelos de Asociaciones Híbridas para Recomendaciones Secuenciales

La recomendación secuencial tiene como objetivo identificar y recomendar los próximos elementos que un usuario es más probable que compre/revise, dado el trayecto de compras/calificaciones del usuario. Se convierte en una herramienta efectiva para ayudar a los usuarios a seleccionar sus elementos favoritos de una variedad de opciones. En este manuscrito, desarrollamos modelos de asociaciones híbridas (HAM) para generar recomendaciones secuenciales, utilizando tres factores: 1) las preferencias a largo plazo de los usuarios, 2) patrones de asociación secuenciales, de alto y bajo orden en las compras/calificaciones más recientes de los usuarios, y 3) sinergias entre esos elementos. HAM utiliza agrupamiento simplista para representar un conjunto de elementos en las asociaciones, y un producto elemento a elemento para representar sinergias de elementos de órdenes arbitrarios. Comparamos los modelos HAM con los métodos más recientes y de vanguardia en seis conjuntos de datos de referencia públicos en tres configuraciones experimentales diferentes. Nuestros resultados experimentales demuestran que los modelos HAM superan significativamente el estado del arte en todas las configuraciones experimentales, con una mejora de hasta 46.6%. Además, nuestra comparación de rendimiento en tiempo de ejecución en pruebas demuestra que los modelos HAM son mucho más eficientes que los métodos de vanguardia y son capaces de lograr una aceleración significativa de hasta 139.7 veces.