Prototipo para la detección automática de perfiles de usuarios

La información disponible actualmente de los sistemas de filtrado requieren de un modelo de preferencias de usuario, que están representadas como perfiles de usuarios, normalmente en forma de listas de valores / atributos y/o reglas. Desde el punto de vista del sistema, es recomendable disponer de l...

Full description

Autores:
Flórez García, Erika Yohana
Valero Durán, Daniel Andrés
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2003
Institución:
Universidad Autónoma de Bucaramanga - UNAB
Repositorio:
Repositorio UNAB
Idioma:
spa
OAI Identifier:
oai:repository.unab.edu.co:20.500.12749/26295
Acceso en línea:
http://hdl.handle.net/20.500.12749/26295
Palabra clave:
Systems engineer
Technological innovations
User profile
Algorithms
Space vector
Literature
Prototype development
Software engineering
Mathematical models
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Ingeniería de software
Modelos matemáticos
Perfil de usuario
Algoritmos
Vector espacial
Literatura
Rights
License
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
id UNAB2_df061e77820890ce1942ee9ba6e21a49
oai_identifier_str oai:repository.unab.edu.co:20.500.12749/26295
network_acronym_str UNAB2
network_name_str Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv Prototipo para la detección automática de perfiles de usuarios
dc.title.translated.spa.fl_str_mv Prototype for automatic detection of user profiles
title Prototipo para la detección automática de perfiles de usuarios
spellingShingle Prototipo para la detección automática de perfiles de usuarios
Systems engineer
Technological innovations
User profile
Algorithms
Space vector
Literature
Prototype development
Software engineering
Mathematical models
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Ingeniería de software
Modelos matemáticos
Perfil de usuario
Algoritmos
Vector espacial
Literatura
title_short Prototipo para la detección automática de perfiles de usuarios
title_full Prototipo para la detección automática de perfiles de usuarios
title_fullStr Prototipo para la detección automática de perfiles de usuarios
title_full_unstemmed Prototipo para la detección automática de perfiles de usuarios
title_sort Prototipo para la detección automática de perfiles de usuarios
dc.creator.fl_str_mv Flórez García, Erika Yohana
Valero Durán, Daniel Andrés
dc.contributor.advisor.none.fl_str_mv Pérez Alcázar, José de Jesús
dc.contributor.author.none.fl_str_mv Flórez García, Erika Yohana
Valero Durán, Daniel Andrés
dc.subject.keywords.spa.fl_str_mv Systems engineer
Technological innovations
User profile
Algorithms
Space vector
Literature
Prototype development
Software engineering
Mathematical models
topic Systems engineer
Technological innovations
User profile
Algorithms
Space vector
Literature
Prototype development
Software engineering
Mathematical models
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Ingeniería de software
Modelos matemáticos
Perfil de usuario
Algoritmos
Vector espacial
Literatura
dc.subject.lemb.spa.fl_str_mv Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Ingeniería de software
Modelos matemáticos
dc.subject.proposal.spa.fl_str_mv Perfil de usuario
Algoritmos
Vector espacial
Literatura
description La información disponible actualmente de los sistemas de filtrado requieren de un modelo de preferencias de usuario, que están representadas como perfiles de usuarios, normalmente en forma de listas de valores / atributos y/o reglas. Desde el punto de vista del sistema, es recomendable disponer de la mayor cantidad de información posible sobre el usuario, para obtener resultados más útiles. Sin embargo, el usuario dispone de poco tiempo para crear la especificación de su perfil de usuario. Además, estos perfiles pueden cambiar a través del tiempo dificultando el mantenimiento de los perfiles. Una de las alternativas para adquirir conocimiento acerca del usuario es a través de técnicas de aprendizaje de máquinas. Muchos sistemas emplean aprendizaje de máquinas para deducir el perfil de usuario. Esto no solo elimina que el usuario proporcione sus palabras claves, sino definirlas. Sin embargo, para que un sistema sea inteligente y adaptivo, debería aprender de acuerdo al comportamiento del usuario. En muchos sistemas el comportamiento del usuario se ve reflejado a través de los documentos seleccionados y el feedback para estos documentos. El presente documento muestra la investigación realizada y el desarrollo de un Prototipo para la Detección Automática de Perfiles de Usuarios, creado con el objetivo de facilitar el trabajo al usuario de crear y actualizar su perfil para sistemas de filtrado de información o recuperación de información.
publishDate 2003
dc.date.issued.none.fl_str_mv 2003-01-27
dc.date.accessioned.none.fl_str_mv 2024-08-29T12:50:13Z
dc.date.available.none.fl_str_mv 2024-08-29T12:50:13Z
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv Trabajo de Grado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12749/26295
dc.identifier.instname.spa.fl_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unab.edu.co
url http://hdl.handle.net/20.500.12749/26295
identifier_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
reponame:Repositorio Institucional UNAB
repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv AAS, Kjersti. A Survey on Personalised Information Filtering Systems for the World Wide Web. Norwegian Computing Center. December 1997.
ADOMAVICIUS, Gediminas y TUZHILIN, Alexander. Using Data Mining Methods to Build Costumer Profiles. IEEE Magazine, February 2001
AGRAWAL, Rakesh; IMIELINSKI, Tomasz and SWAMI, Arun. Mining Association Rules between Sets of Items in Large Databases. IBM Almadén Research Center.
BAEZA YATES, R. and RIBEIRO-NETO, Berthier A. Modern Information Retrieval. Maryland: Addison-Wesley-Longman Publishing co, 1999.
BAEZA YATES, Ricardo A. String Searching Algorithms. En FRAKES, William B. y BAEZA YATES, Ricardo A. Information Retrieval: Data Structures & Algorithms. Upper Saddle River, New Jersey: Prentice Hall PTR, 1992. p.219-240.
BOOCH, Grady, JACOBSON, Ivar Y RUMBAUGH, James. The Unified Modeling Languaje. Addison Wesley Longman Inc. Rational Software Corporation. 1999.
BOOCH, Grady, JACOBSON, Ivar Y RUMBAUGH, James. The Unified Software Development Process. Addison Wesley Longman Inc. Rational Software Corporation. 1999.
BORGELT, Christian and KRUSE, Rudolf. Induction of Association Rules: Apriori Implementation. University of Magdeburg.
BUCKLEY, Chris; SALTON, Gerard and ALLAN, James. Automatic Routing and ad-hoc retrieval using SMART: TREC 2. In D.K. Harman, editor, Proceedings of the Second Text Retrieval Conference (TREC-2).
CLAYPOOL, Mark, BROWN, David, LE, Phong y WASEDA, Makoto. Inferring User Interest. Worcester Polytechnic Institute, 2001.
CONALLEN, Jim. Building Web Aplications with UML. Addison Wesley Longman Inc. 1999.
DELGADO, Juaquin. Agent-Based Information Filtering and Recommender Systems On the Internet. PhD. Thesis, Nagoya Institute of Technology, March 2000.
DELGADO, Juaquin y ISHII, Naohiro. Formal Models for Learning of User Preferences, a Preliminary Report. Nagoya Institute of Technology, 1999.
FOX, Christopher. Lexical analysis and stoplists. En: FRAKES, William B. y BAEZA, Yates, Ricardo A. Information Retrieval: Data Structures & Algorithms. Upper Saddle River, New Jersey: Prentice Hall PTR, 1992. p. 102-130.
FRAKES, William B. Stemming Algorithms. En FRAKES, William B. BAEZA Yates, Ricardo A. Information Retrieval: Data Structures & Algorithms. Upper Saddle River, New Jersey: Prentice Hall PTR, 1992. p. 131-160.
HAN, Jiawei and KAMBER, Micheline. Data Mining. Concepts and Techniques. Morgan Kaufmann Publisher. 2001.
KORFHAGE, Robert R. Information Retrieval and Storage. New York: John Wiley&Sons, 1997. 349p.
KOWALSKI, Gerald. Information Retrieval Systems: Theory and Implementation. Boston: Kluwer Academic Publishers, 1997. p. 71.
KRAAIJ, Wessel y POHLMANN, Renée. Viewing stemming as recall enhancement. En Annual International ACM-SIGIR Conference on research and Development in Information Retrieval (SIGIR'96), 1996, Zurich, Switzerland. Proceedings. New York: ACM Press, 1996. p.40-48.
KUFLIK, Tsvi y SHOVAL, Peretz. User Profile Generate for Intelligent Information Agents - Research in Progress. University of the Negey, 2000.
LEWIS, David D. et al. Training Algorithms for Linear Text Classifiers. AT&T Laboratories and University of Massachusetts.1996.
MLADENIC, Dunja y GROBELNIK, Marko. Feature Selection for Classification Based on Text Hierarchy. En: Conference on Automated Learning and Discovery (CONALD-98), 2000, Proceedings. Pittsburg: Carnegie Mellón University, 2000.
MORALES, Eduardo. Descubrimiento de Conocimiento en Bases de Datos. http://dns1 .mor.itesm.mx/~emorales/Cursos/KDD01/principal.html, Junio. 2002.
ROBERTSON, S. E.; WALKER, S. On relevance weights with little relevance information. En Annual International ACM-SIGIR Conference on research and Development in Information Retrieval (SIGIR'97), 1997, Philadelphia, USA. Proceedings. New York ACM Press, 1997. p. 16-24.
RUMBAUGH, James, BLAHA, Michael, PREMERLANI, William, EDDY, Frederick y LORENSEN, William. Modelado y diseño Orientado a Objetos. Metodología OMT. Prentice Hall. 1995.
SALTON, Gerard. MACGILL, Michael J. Introduction to Modern Information Retrieval. New York: McGRAW-Hill, 1983. P. 63.
SALTON, Gerard. MACGILL, Michael J. Introduction to Modern Information Retrieval. New York: McGRAW-Hill, 1983. Pagina 66.
SALTON, Gerard. MACGILL, Michael J. Introduction to Modern Information Retrieval. New York: McGRAW-Hill, 1983. 448p.
SALTON, Gerard; BUCKLEY, Chris. Term weighting approaches in automatic text retrieval. Ithaca, New York. Department of computer science, Cornell University, 1987. (Technical Report).
SCHÜTZE, Hinrich y SILVERSTEIN. Craig. Projections for efficient document clustering. En Annual International ACM-SIGIR Conference on research and Development in Information Retrieval (SIGIR'97) 1997. Philadelphia, USA. Proceedings. New York ACM Press, 1997. p.60-66.
UDEN, Mark van. Rocchio: Relevance Feedback in Learning Classification Algorithms. University of Nijmegen.
Weka 3: Machine Learning Software in Java. http://www.cs.waikato.ac.nz/~ml/weka/index.html, Junio. 2002.
WHITEHALL, T. Personal currents awareness service. A Handbook of Techniques for Manual SDI. Londres, British Library, Research and Development Reports, 1979.
WIENER, Erik D. et al. A Neural Network Approach to Topic Spotting. En Fourth Annual Symposium on Document Analysis and Information Retrieval (SDAIR'95). 1995, Las Vegas. 1995. p.317-332.
WITTEN, lan H. and FRANK, Eibe. WEKA Machine Learning Algorithms in Java. University of Waikato. 2000.
YANG, Yiming y PEDERSEN, Jan O. A comparative study on features selection in text categorization. School of Computer Science, Carnegie Mellón University, 1997.
YOCHUM, Julián A.. Research in Automatic Profile Generation and Passage- Level Routing with LMDS. Logicon, Inc.. 1996.
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Abierto (Texto Completo)
Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.spatial.spa.fl_str_mv Bucaramanga (Santander, Colombia)
dc.coverage.campus.spa.fl_str_mv UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv Ingeniería de Sistemas
institution Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv https://repository.unab.edu.co/bitstream/20.500.12749/26295/1/2002_Tesis_Erika_Florez.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/26295/2/license.txt
https://repository.unab.edu.co/bitstream/20.500.12749/26295/3/2002_Tesis_Erika_Florez.pdf.jpg
bitstream.checksum.fl_str_mv 36abb82f55278687bfc42e4191f4ce4f
3755c0cfdb77e29f2b9125d7a45dd316
29cc16784357d4801d55ab5133ff2a88
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv repositorio@unab.edu.co
_version_ 1812205661808754688
spelling Pérez Alcázar, José de Jesús38f31005-c259-48e5-845c-ac95c39cc2b9Flórez García, Erika Yohana456e6667-1931-4a2a-9047-1fa4cb60f008Valero Durán, Daniel Andrésb142d16a-ece2-429a-8301-c51639d0f7d0Bucaramanga (Santander, Colombia)UNAB Campus Bucaramanga2024-08-29T12:50:13Z2024-08-29T12:50:13Z2003-01-27http://hdl.handle.net/20.500.12749/26295instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coLa información disponible actualmente de los sistemas de filtrado requieren de un modelo de preferencias de usuario, que están representadas como perfiles de usuarios, normalmente en forma de listas de valores / atributos y/o reglas. Desde el punto de vista del sistema, es recomendable disponer de la mayor cantidad de información posible sobre el usuario, para obtener resultados más útiles. Sin embargo, el usuario dispone de poco tiempo para crear la especificación de su perfil de usuario. Además, estos perfiles pueden cambiar a través del tiempo dificultando el mantenimiento de los perfiles. Una de las alternativas para adquirir conocimiento acerca del usuario es a través de técnicas de aprendizaje de máquinas. Muchos sistemas emplean aprendizaje de máquinas para deducir el perfil de usuario. Esto no solo elimina que el usuario proporcione sus palabras claves, sino definirlas. Sin embargo, para que un sistema sea inteligente y adaptivo, debería aprender de acuerdo al comportamiento del usuario. En muchos sistemas el comportamiento del usuario se ve reflejado a través de los documentos seleccionados y el feedback para estos documentos. El presente documento muestra la investigación realizada y el desarrollo de un Prototipo para la Detección Automática de Perfiles de Usuarios, creado con el objetivo de facilitar el trabajo al usuario de crear y actualizar su perfil para sistemas de filtrado de información o recuperación de información.Introducción.......................................................................................................................................................................................... 16 1. Generalidades............................................................................................................................................................................ 18 1.1 procesos de búsqueda de información................................................................................................................................. 18 1.1.1 recuperación de información.............................................................................................................................................. 18 1.1.2 diseminación selectiva de información.............................................................................................................................. 18 1.1.3 filtrado de información............................................................................................................................................................ 18 1.2 tipos de sistemas de apoyo a la recuperación de Información ......................................................................................18 1.2.1 motores de búsqueda.............................................................................................................................................................. 18 1.2.2 sistemas de filtrado de información personalizado.............................................................................................................. 18 1.2.2.1 técnicas de filtrado de información................................................................................................................................. 18 1.3 detección automática de perfiles .................................................................................................................................19 2. Modelo de recuperación de información utilizado para La detección automática de perfiles........................................... 20 2.1 modelo del vector espacial .......................................................................................................................................................20 3. Representación de un documento............................................................................................................................................... 23 3.1 indexación automática.................................................................................................................................................................... 23 3.1.1 identificación de términos................................................................................................................................. 24 3.1.2 identificación de términos compuestos................................................................................................................................. 24 3.1.3 remoción de “stopwords” ....................................................................................................................................................25 3.1.4 normalización morfológica........................................................................................................................................................ 26 3.1.5 cálculo de relevancia................................................................................................................................................................... 27 3.1.5.1 frecuencia absoluta................................................................................................................................................................. 27 3.1.5.2 frecuencia relativa............................................................................................................................................................... 28 3.1.5.3 frecuencia inversa de documentos................................................................................................................................. 28 3.1.6 selección de términos............................................................................................................................................................ 29 3.1.6.1 detección de perfiles basado en el “peso” del término........................................................................................................ 30 3.1.6.2 selección basada en el “peso” del término............................................................................................................................ 30 4. Técnicas de generación de perfiles................................................................................................................................. 31 4.1 métodos de minería de datos................................................................................................................................. 31 4.1.1 minería de datos............................................................................................................................................................................ 31 4.1.1.1 descubrimiento de conocimiento en bases de datos.......................................................................................................... 31 4.1.1.2 reglas de asociación.......................................................................................................................................................... 32 4.1.2 procedimiento de generación de perfiles con minería de datos...................................................................................... 34 4.1.2.1 identificación de reglas................................................................................................................................. 35 4.1.2.2 validación de reglas................................................................................................................................................................... 35 4.2 sistemas de generación automática de perfiles Existentes en la literatura........................................................................ 35 4.3 aprendizaje a través de ejemplos............................................................................................................................................. 36 4.4 cauterización de perfil de usuario................................................................................................................................. 36 4.5 aprendizaje por observación .................................................................................................................................36 4.6 técnica utilizada en el prototipo para la detección Automática de perfiles......................................................................... 36 5. Actualización de perfiles de usuario................................................................................................................................. 38 5.1 algoritmos de aprendizaje de clasificación................................................................................................................................. 38 5.1.1 feedback del usuario.................................................................................................................................................................... 38 5.1.2 algoritmo de rocchio .............................................................................................................................................................39 5.1.3 algoritmo de widrow-hoff.......................................................................................................................................................... 40 5.1.4 algoritmo de eg de kivinen y warmuth................................................................................................................................. 40 6. Prototipo para la detección automática de perfiles...................................................................................................................... 41 6.1 captura de requerimientos.......................................................................................................................................................... 41 6.1.1 casos de uso ............................................................................................................................................................................41 6.1.1.1 actor.......................................................................................................................................................................................... 41 6.1.1.2 relaciones............................................................................................................................................................................ 41 6.1.2 casos de uso para la detección automática de perfiles .............................................................................................................42 6.2 análisis............................................................................................................................................................................ 42 6.2.1 diagrama de clases........................................................................................................................................................................ 42 6.2.2 diagrama de clases para el prototipo de detección automática de Perfiles de usuario ...................................................42 6.2.2.1 diccionario de datos para el prototipo de detección automática de Perfiles ...........................................42 6.2.3 diagramas de interacción ....................................................................................................................................................42 6.2.3.1 diagramas de secuencia.................................................................................................................................................... 42 6.2.3.2 diagrama de colaboración................................................................................................................................. 45 6.2.4 diagramas de secuencia y de colaboración para el prototipo de Detección automática de perfiles de usuario 45 6.2.5 diagramas de actividades................................................................................................................................. 46 6.2.6 diagrama de actividades y sus descripciones para el prototipo de Detección automática de perfiles 46 6.2.7 diagrama de estado................................................................................................................................................................... 46 6.2.8 diagramas de estado para el prototipo de detección automática de Perfiles ...............................................................46 6.2.9 clases - responsabilidades - colaboraciones ...................................................................................................................47 6.2.9.1 clase ............................................................................................................................................................................47 6.2.9.2 responsabilidad ............................................................................................................................................................................47 6.2.9.3 colaboración............................................................................................................................................................................ 48 6.2.9.4 tarjetas crc............................................................................................................................................................................ 48 6.2.10 tarjetas crc para el prototipo de detección automática de perfiles..................................................................................... 48 6.3 diseño ............................................................................................................................................................................50 6.3.1 análisis de clases............................................................................................................................................................................ 50 6.3.1.1 clase frontera............................................................................................................................................................................ 50 6.3.1.2 clase entidad............................................................................................................................................................................ 50 6.3.1.3 clase control............................................................................................................................................................................ 51 6.3.2 ingeniería de casos de uso .......................................................................................................................................................51 6.3.2.1 diagramas correspondientes a la ingeniería de casos de uso........................................................................................ 51 6.3.3 descripción procedimental de objetos................................................................................................................................. 52 6.4 desarrollo del sistema ............................................................................................................................................................52 6.4.1 usando minería de datos para la creación de perfiles............................................................................................................. 52 6.4.2 creación de perfiles de usuario .................................................................................................................................53 6.4.3 actualización de perfiles de usuario................................................................................................................................. 55 6.4.4 adición de palabras claves al perfil del usuario .................................................................................................................57 6.4.5 implementación del prototipo a un sistema de filtrado de información............................................................................... 58 7. Conclusiones ............................................................................................................................................................................61 8. Sugerencias para trabajos futuros ...................................................................................................................................................63 Bibliografía................................................................................................................................................................................................ 64 Anexos....................................................................................................................................................................................................... 67PregradoThe information currently available from filtering systems requires a model of user preferences, which are represented as user profiles, usually in the form of lists of values ​​/ attributes and/or rules. From the system's point of view, it is advisable to have as much information as possible about the user, in order to obtain more useful results. However, the user has little time to create the specification of his user profile. In addition, these profiles can change over time, making it difficult to maintain the profiles. One of the alternatives to acquire knowledge about the user is through machine learning techniques. Many systems employ machine learning to deduce the user profile. This not only eliminates the user from providing his keywords, but also from defining them. However, for a system to be intelligent and adaptive, it should learn according to the user's behavior. In many systems, the user's behavior is reflected through the documents selected and the feedback for these documents. This document shows the research carried out and the development of a Prototype for the Automatic Detection of User Profiles, created with the objective of facilitating the work of the user in creating and updating their profile for information filtering or information retrieval systems.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Prototipo para la detección automática de perfiles de usuariosPrototype for automatic detection of user profilesIngeniero de SistemasUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaIngeniería de Sistemasinfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TPSystems engineerTechnological innovationsUser profileAlgorithmsSpace vectorLiteraturePrototype developmentSoftware engineeringMathematical modelsIngeniería de sistemasInnovaciones tecnológicasDesarrollo de prototiposIngeniería de softwareModelos matemáticosPerfil de usuarioAlgoritmosVector espacialLiteraturaAAS, Kjersti. A Survey on Personalised Information Filtering Systems for the World Wide Web. Norwegian Computing Center. December 1997.ADOMAVICIUS, Gediminas y TUZHILIN, Alexander. Using Data Mining Methods to Build Costumer Profiles. IEEE Magazine, February 2001AGRAWAL, Rakesh; IMIELINSKI, Tomasz and SWAMI, Arun. Mining Association Rules between Sets of Items in Large Databases. IBM Almadén Research Center.BAEZA YATES, R. and RIBEIRO-NETO, Berthier A. Modern Information Retrieval. Maryland: Addison-Wesley-Longman Publishing co, 1999.BAEZA YATES, Ricardo A. String Searching Algorithms. En FRAKES, William B. y BAEZA YATES, Ricardo A. Information Retrieval: Data Structures & Algorithms. Upper Saddle River, New Jersey: Prentice Hall PTR, 1992. p.219-240.BOOCH, Grady, JACOBSON, Ivar Y RUMBAUGH, James. The Unified Modeling Languaje. Addison Wesley Longman Inc. Rational Software Corporation. 1999.BOOCH, Grady, JACOBSON, Ivar Y RUMBAUGH, James. The Unified Software Development Process. Addison Wesley Longman Inc. Rational Software Corporation. 1999.BORGELT, Christian and KRUSE, Rudolf. Induction of Association Rules: Apriori Implementation. University of Magdeburg.BUCKLEY, Chris; SALTON, Gerard and ALLAN, James. Automatic Routing and ad-hoc retrieval using SMART: TREC 2. In D.K. Harman, editor, Proceedings of the Second Text Retrieval Conference (TREC-2).CLAYPOOL, Mark, BROWN, David, LE, Phong y WASEDA, Makoto. Inferring User Interest. Worcester Polytechnic Institute, 2001.CONALLEN, Jim. Building Web Aplications with UML. Addison Wesley Longman Inc. 1999.DELGADO, Juaquin. Agent-Based Information Filtering and Recommender Systems On the Internet. PhD. Thesis, Nagoya Institute of Technology, March 2000.DELGADO, Juaquin y ISHII, Naohiro. Formal Models for Learning of User Preferences, a Preliminary Report. Nagoya Institute of Technology, 1999.FOX, Christopher. Lexical analysis and stoplists. En: FRAKES, William B. y BAEZA, Yates, Ricardo A. Information Retrieval: Data Structures & Algorithms. Upper Saddle River, New Jersey: Prentice Hall PTR, 1992. p. 102-130.FRAKES, William B. Stemming Algorithms. En FRAKES, William B. BAEZA Yates, Ricardo A. Information Retrieval: Data Structures & Algorithms. Upper Saddle River, New Jersey: Prentice Hall PTR, 1992. p. 131-160.HAN, Jiawei and KAMBER, Micheline. Data Mining. Concepts and Techniques. Morgan Kaufmann Publisher. 2001.KORFHAGE, Robert R. Information Retrieval and Storage. New York: John Wiley&Sons, 1997. 349p.KOWALSKI, Gerald. Information Retrieval Systems: Theory and Implementation. Boston: Kluwer Academic Publishers, 1997. p. 71.KRAAIJ, Wessel y POHLMANN, Renée. Viewing stemming as recall enhancement. En Annual International ACM-SIGIR Conference on research and Development in Information Retrieval (SIGIR'96), 1996, Zurich, Switzerland. Proceedings. New York: ACM Press, 1996. p.40-48.KUFLIK, Tsvi y SHOVAL, Peretz. User Profile Generate for Intelligent Information Agents - Research in Progress. University of the Negey, 2000.LEWIS, David D. et al. Training Algorithms for Linear Text Classifiers. AT&T Laboratories and University of Massachusetts.1996.MLADENIC, Dunja y GROBELNIK, Marko. Feature Selection for Classification Based on Text Hierarchy. En: Conference on Automated Learning and Discovery (CONALD-98), 2000, Proceedings. Pittsburg: Carnegie Mellón University, 2000.MORALES, Eduardo. Descubrimiento de Conocimiento en Bases de Datos. http://dns1 .mor.itesm.mx/~emorales/Cursos/KDD01/principal.html, Junio. 2002.ROBERTSON, S. E.; WALKER, S. On relevance weights with little relevance information. En Annual International ACM-SIGIR Conference on research and Development in Information Retrieval (SIGIR'97), 1997, Philadelphia, USA. Proceedings. New York ACM Press, 1997. p. 16-24.RUMBAUGH, James, BLAHA, Michael, PREMERLANI, William, EDDY, Frederick y LORENSEN, William. Modelado y diseño Orientado a Objetos. Metodología OMT. Prentice Hall. 1995.SALTON, Gerard. MACGILL, Michael J. Introduction to Modern Information Retrieval. New York: McGRAW-Hill, 1983. P. 63.SALTON, Gerard. MACGILL, Michael J. Introduction to Modern Information Retrieval. New York: McGRAW-Hill, 1983. Pagina 66.SALTON, Gerard. MACGILL, Michael J. Introduction to Modern Information Retrieval. New York: McGRAW-Hill, 1983. 448p.SALTON, Gerard; BUCKLEY, Chris. Term weighting approaches in automatic text retrieval. Ithaca, New York. Department of computer science, Cornell University, 1987. (Technical Report).SCHÜTZE, Hinrich y SILVERSTEIN. Craig. Projections for efficient document clustering. En Annual International ACM-SIGIR Conference on research and Development in Information Retrieval (SIGIR'97) 1997. Philadelphia, USA. Proceedings. New York ACM Press, 1997. p.60-66.UDEN, Mark van. Rocchio: Relevance Feedback in Learning Classification Algorithms. University of Nijmegen.Weka 3: Machine Learning Software in Java. http://www.cs.waikato.ac.nz/~ml/weka/index.html, Junio. 2002.WHITEHALL, T. Personal currents awareness service. A Handbook of Techniques for Manual SDI. Londres, British Library, Research and Development Reports, 1979.WIENER, Erik D. et al. A Neural Network Approach to Topic Spotting. En Fourth Annual Symposium on Document Analysis and Information Retrieval (SDAIR'95). 1995, Las Vegas. 1995. p.317-332.WITTEN, lan H. and FRANK, Eibe. WEKA Machine Learning Algorithms in Java. University of Waikato. 2000.YANG, Yiming y PEDERSEN, Jan O. A comparative study on features selection in text categorization. School of Computer Science, Carnegie Mellón University, 1997.YOCHUM, Julián A.. Research in Automatic Profile Generation and Passage- Level Routing with LMDS. Logicon, Inc.. 1996.ORIGINAL2002_Tesis_Erika_Florez.pdf2002_Tesis_Erika_Florez.pdfTesisapplication/pdf18186349https://repository.unab.edu.co/bitstream/20.500.12749/26295/1/2002_Tesis_Erika_Florez.pdf36abb82f55278687bfc42e4191f4ce4fMD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/26295/2/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD52open accessTHUMBNAIL2002_Tesis_Erika_Florez.pdf.jpg2002_Tesis_Erika_Florez.pdf.jpgIM Thumbnailimage/jpeg7429https://repository.unab.edu.co/bitstream/20.500.12749/26295/3/2002_Tesis_Erika_Florez.pdf.jpg29cc16784357d4801d55ab5133ff2a88MD53open access20.500.12749/26295oai:repository.unab.edu.co:20.500.12749/262952024-08-30 22:02:00.423open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Publicaciones similares