Rev. Cient. Sist. Inform. 3(2), e557, doi: 10.51252/rcsi.v3i2.557
Artículo original
Original article
Jul-Dic, 2023
https://revistas.unsm.edu.pe/index.php/rcsi
e-ISSN: 2709-992X
Este es un artículo de acceso abierto distribuido bajo los términos de la licencia de atribución de Creative Commons, que permite el uso sin restricciones, distribución y
reproducción en cualquier medio, siempre que se cite debidamente la obra original.
Sistema de recomendación de artículos de línea blanca
basado en el algoritmo KNN
White line article recommendation system based on the KNN algorithm
Guevara-Fernandez, Alexander1*
Coral-Ygnacio, Marco A.2
1Universidad Católica Sedes Sapientiae, Nueva Cajamarca, Perú
2Universidad Católica Sedes Sapientiae, Lima, Perú
Recibido: 04 May. 2023 | Aceptado: 05 Jul. 2023 | Publicado: 10 Jul. 2023
Autor de correspondencia*: 2017101042@ucss.pe
Como citar este artículo: Guevara-Fernandez, A. & Coral-Ygnacio, M. A. (2023). Sistema de recomendación de artículos de línea blanca
basado en el algoritmo KNN. Revista Científica de Sistemas e Informática, 3(2), e557. https://doi.org/10.51252/rcsi.v3i2.557
RESUMEN
En la presente investigación se busca mejorar el proceso del marketing digital para temas del comercio
electrónico, su principal objetivo es implementar y poner en funcionamiento un sistema de recomendación que
permita recomendar correctamente un producto a un cliente ahorrándole tiempo en su proceso de búsqueda y
decisión. Se utiliza el algoritmo K vecinos más cercanos junto a su fórmula de la distancia euclidiana que permite
mejorar la precisión al momento de brindar resultados. Para el presente caso se trabajó con las preferencias de
un usuario y una cantidad de más de 100 productos de distintos modelos y funcionalidades que son identificadas
mediante variables de identificación como, color, marca, modelo, precio que nos sirven para poder realizar el
cálculo de la distancia y generar “N” recomendaciones más cercanas a los gustos del cliente, los resultados
muestran que el algoritmo propuesto es eficiente en cuanto a la recomendación de productos logrando generar
recomendaciones de manera eficiente en relación a las preferencias de los clientes.
Palabras clave: comercio electrónico; distancia euclidiana; K-vecinos; marketing digital
ABSTRACT
This research seeks to improve the digital marketing process for e-commerce issues, its main objective is to
implement and operate a recommendation system that al-lows to correctly recommend a product to a customer
saving time in their search and decision process. The K nearest neighbors’ algorithm and its Euclidean distance
formula are used to improve the accuracy of the results. For this case we worked with the preferences of a user
and a quantity of more than 100 products of different models and functionalities that are identified by
identification variables such as color, brand, model, price, which are used to calculate the distance and generate
"N" recommendations closer to the customer's tastes, the results show that the proposed algorithm is efficient
in terms of product recommendation, generating recommendations efficiently in relation to customer
preferences.
Keywords: e-commerce; Euclidean distance; K-neighbors; digital marketing; digital marketing
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
2 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
1. INTRODUCCIÓN
Desde hace años los electrodomésticos han ayudado de manera muy directa a los seres humanos
facilitándoles realizar de manera más rápida algunas tareas domésticas (Martinez Rodriguez & Alarcón
Martínez, 2020). Hoy en día ante la implementación de tecnología inteligente en los productos de línea
blanca, estos artículos han generado grandes ganancias en ventas a las empresas de este rubro (Sánchez,
2019),
Asimismo, los clientes ante la gran variedad de productos que se le ofrecen presentan algunas dificultades
de decisión por la elección de sus productos ideales, generando de esta manera confusiones en los clientes
y trayendo consigo la pérdida de interés de los compradores, afectando las ventas en las empresas y
perdiendo potenciales clientes, de esta manera despertando el interés de las organizaciones por conocer a
sus usuarios e investigar sobre los gustos y preferencias de estos mismos. A partir de sistemas de
recomendación y algoritmos inteligentes que ayuden a filtrar las preferencias de los usuarios, se busca
determinar alternativas para capturar la atención de los clientes y aumentar las ventas en las
organizaciones.
Los sistemas de recomendación desde mediados de los años 90 se han convertido en una rama muy
importante de la investigación, con el fin de mejorar la relación entre el cliente y la empresa mediante la
aplicación de métodos, técnicas y algoritmos inteligentes para ayudar en la toma de decisiones, basándose
en las recomendaciones a partir de los gustos y preferencias de los usuarios (Franco Zapata, 2021). En el
año 2007 los autores Cao & Li (2007), propusieron un sistema de recomendación basado en fuzzy
inteligente para productos electrónicos de consumo, utilizando la técnica de minería de datos y lógica
difusa, el sistema se compone de cuatro módulos, por lo que en el primero identifica las necesidades de los
clientes, en el segundo módulo se analiza las características de los productos, el tercero se basa en los
requisitos de las características ideales y por último, el cuarto es el módulo de las recomendaciones.
Los sistemas de recomendación de productos de línea blanca involucran el uso de modelos matemáticos
para poder generar recomendaciones a partir de la utilización de métodos, técnicas y algoritmos que se
adapten a las necesidades de la organización, de esta manera poder analizar la gran cantidad de
información que estas manejan en relación a los clientes y sus preferencias (Franco Zapata, 2021), por ello,
se requiere conocer los métodos técnicas y algoritmos más eficientes para la implementación de estos
sistemas.
Diversas investigaciones hacen énfasis que para la implementación de sistemas de recomendación de línea
blanca existen técnicas y algoritmos de aprendizaje supervisado debido a su eficiencia al momento de
generar recomendaciones (Criado González, 2018), asimismo, Castro et al. (2012), hacen énfasis a que la
implementación de este tipo de sistemas de recomendación mejora las ventas en las organizaciones e
incrementa las ganancias significativamente, mediante la personalización de productos, contenido e
interfaces que son más amigables con los usuarios. Por otra parte, algunos sistemas de recomendación de
productos de línea blanca presentan ineficiencias al momento de generar recomendaciones debido a una
mala implementación de los algoritmos o un mal manejo de la técnica de implementación (Guevara Albán
et al., 2018).
Debido a lo anteriormente mencionado podemos evidenciar que, así como existen diversos métodos de
implementación eficientes, también hay sistemas que presentan deficiencias al generar recomendaciones,
esto debido a un mal manejo del algoritmo o técnica al momento de ser implementados, lo que nos motiva
a investigar los sistemas de recomendación existentes más eficientes para la venta de artículos en línea.
Por ello, se pretende conocer las diversas técnicas y algoritmos de recomendación que se utilizan en la
implementación de estos sistemas en relación con la recomendación de productos de línea blanca, así
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
3 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
mismo se pretende conocer los diversos factores que influyen en la implementación de este tipo de
sistemas.
En el presente trabajo se pretende construir un sistema de recomendación de productos de línea blanca
utilizando el algoritmo de aprendizaje supervisado KNN de esta manera incrementar las ventas en las
organizaciones, recomendar a los usuarios productos a sus gustos y preferencias mejorando de esta
manera la relación entre la empresa y sus clientes.
El sistema propuesto utilizará una lógica basada en 5 pasos, los cuales ayudarán en el proceso de
recomendación de productos, en el primer paso se realizara el ingreso de variables de las preferencias de
los usuarios con una cantidad de doce variables, como segundo paso se hace el cargado de datos de la base
de datos para hacer el cálculo de las distancias entre los productos de la base de datos y las preferencias
del usuario, para luego realizar el cálculo de la distancia en relación a las variables entrantes con la de los
productos, como paso cuatro se almacenarán y ordenarán las distancias, para luego en el paso cinco poder
recomendar los “N” productos más cercanos a las preferencias del usuario.
Finalmente, se ha organizado el trabajo de la siguiente manera, el punto 1 detalla la introducción, el punto
2 muestra el estado del arte del tema, seguido del algoritmo de recomendación en el capítulo 3, así mismo
en el capítulo 4, se presenta la propuesta de la solución y el software de recomendación y para finalizar los
resultados, la discusión y las conclusiones y recomendaciones.
2. MATERIALES Y MÉTODOS
2.1. Sistemas de recomendación
Los sistemas de recomendación son una herramienta que ayudan al usuario proporcionando una lista de
recursos o etiquetas que podrían ser de su agrado (Mlika & Karoui, 2020), desde sus inicios cuando
empezaron a surgir los sistemas de recomendación como un área de investigación lo que se hacía era que
la mayoría de investigadores aplicaban diversos patrones de valoración en el comportamiento de los
usuario (Jain et al., 2020), lo que se consideraba para un sistema de recomendación básicamente era la
precisión de sus recomendaciones, sin embargo, es importante definir aspectos muchos más allá ya que se
presentan una diversidad de recomendaciones ubicadas por categorías (Cao et al., 2018).
2.2. Tipos de sistemas de recomendación
Los sistemas de recomendación se clasifican según el tipo por el cuál serán desarrollados, es decir, con la
finalidad de la tarea que estos van a cumplir, para ello, detallamos a continuación algunos de los tipos de
sistemas más utilizados en los sistemas de recomendación:
Basados en filtrado colaborativo
El filtrado colaborativo ha obtenido un gran éxito dentro del ámbito académico como en el industrial debido
a que este modelo se basa principalmente en la valoración que se agrega cierta información cuando el
usuario interactúa con el producto (Liu et al., 2021). Este modelo consiste en tener que encontrar dos o
más usuarios similares (Li et al., 2020). El problema es que un sistema de filtrado colaborativo en muchos
casos es debido a los escasos datos, ya que cada vez se venden más productos dentro de un sitio web (Zhang
et al., 2020).
Basado en contenido
El filtrado basado en el contenido tiene por objetivo basarse de las preferencias del usuario y agrupar todos
aquellos productos con atributos similares que se encuentran dentro de un conjunto de datos ya definido
(Afoudi et al., 2021).
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
4 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
Basado en redes neuronales
La red neuronal por lo general está diseñada por varias capas siendo de entrada y de salida, cada una
contiene información, así como también están conectadas entre ellas (Ravnik et al., 2021), son un conjunto
de algoritmos los cuales se manejan por diversos patrones tomando el diseño del cerebro humano (Afoudi
et al., 2021).
Sistema de recomendación híbrido
Los sistemas de recomendación híbrido son aquellas que combinan dos características es decir los perfiles
y la membresía (Afoudi et al., 2021), pero diseñar un sistema de recomendación que sea seguro en un reto,
basándonos en el modelo híbrido se ha buscado realizar un sistema de recomendación seguro de manera
que busque cuidar los derechos de privacidad de información de los usuarios (Ni et al., 2018).
2.3. Algoritmos de recomendación
Un algoritmo es un conjunto de instrucciones que se ejecutan de manera secuencial es decir uno detrás de
otro, son utilizados para realizar ciertas acciones con el fin de generar soluciones óptimas (Korus et al.,
2021), para ello detallamos algunos algoritmos más utilizados en sistemas de recomendación.
El algoritmo K-means, este algoritmo es utilizado como estrategia de clustering para reducir el conjunto de
entrenamiento y para reducir el tiempo de ejecución del algoritmo, así como también el coste
computacional.
Los resultados experimentales muestran que el algoritmo presentado puede producir una serie de
recomendaciones objetivas, cobertura sobre la base de la precisión y la diversidad (Cai et al., 2020), otro
de los algoritmos más usados en sistemas de recomendación es el “algoritmo genético”, el uso de este
algoritmo permite automatizar la búsqueda de cursos adaptados al perfil del usuario. En efecto asignamos
diferentes rutas de aprendizaje a los usuarios que pertenecen a la misma clase, utilizando algoritmos
genéticos para buscar un camino óptimo.
En conclusión, el uso de algoritmos genéticos nos permitirá automatizar la búsqueda de contenidos
adaptados al perfil de un usuario (Hssina & Erritali, 2019), así mismo el “aalgoritmo ProbS tradicional” es
usado para generar la lista de recomendaciones final consideró una variedad de condiciones con diferente
número de clústeres y niveles de dispersión, puede mejorar significativamente la puntuación del ranking y
la cobertura de los sistemas de recomendación.
En resumen, el algoritmo Probs es capaz de mejorar la calidad de las recomendaciones (Zhang et al., 2020),
a diferencia del “algoritmo KNN” que mediante la aplicación de la distancia euclidiana o la similitud del
coseno entre los clústeres de entrenamiento y los de prueba, este algoritmo utiliza los vecinos más cercanos
donde “K” esta diferenciado por la cantidad de vecinos que este tiene (Adeniyi et al., 2016)
Por último, “algoritmo Slope One” es muy utilizado con la técnica de filtrado colaborativo debido a la alta
precisión que este genera en tiempo real, gracias a la separación de matrices de valoración que los usuarios
generan, separando los productos que interesan al usuario con los que no lo son de interés y así generar
recomendaciones más exactas debido a que es simple en cálculo y alto en rendimiento (Ye & Zhao, 2018).
2.4. Marketing digital
El marketing digital comprende la utilización de sistemas de información para promover la venta de
productos o servicios, en concreto se basa en la utilización de internet, redes de telecomunicación, en este
sentido el marketing digital viene a ser como la estrategia que tienen las organizaciones para poder llegar
a sus clientes mediante la implementación de tecnologías de información (Luque-Ortiz, 2021).
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
5 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
Para lograr los objetivos del marketing y mejorar los procesos de ventas en las empresas se utilizan los
diseños de páginas web, una tienda virtual y tecnologías digitales como sistemas de recomendación
mediante la aplicación de inteligencia artificial para vender en línea (Uribe & Sabogal Neira, 2021).
Tecnología para marketing digital
Machine Learning y Big Data analítica, son modelos de aprendizaje profundo expertos en el reconocimiento
de patrones y en la toma de decisiones, para las empresas que buscan recopilar una gran cantidad de datos
tomados de las redes sociales y entornos IOT (Luque-Ortiz, 2021), estas técnicas ayudan a aumentar las
visitas de los clientes categorizando las diferentes respuestas de clics que los usuarios dan a productos y
filtrando solo la información de importancia (Ullal et al., 2021).
Los sistemas de recomendación y análisis de sentimientos son herramientas esenciales en el campo del
marketing digital aplicando algoritmos inteligentes, lógica difusa y percepción por análisis de valores,
aumentan la productividad en las empresas mejorando la eficiencia en las ventas ayudado a los usuarios a
encontrar productos de su preferencia y acorde a sus gustos (Marín López & López Trujillo, 2020). Esta
lógica de análisis se basa en las preferencias, calificaciones sobre un producto y busca a los usuarios que
han tomado decisiones parecidas para poder realizar las recomendaciones (Guevara Albán et al., 2018).
2.5. Algoritmo KNN como método de recomendación
El algoritmo K vecinos más cercanos (KNN) (Sen et al., 2016) está basado en instancias y es de tipo
supervisado de machine learning y se puede usar para clasificar nuevas muestras o para predecir, este
algoritmo es fácil de elaborar y es utilizado en la resolución de muchos problemas, como sistemas de
recomendación, búsquedas semánticas y también detección de algunas anomalías (KNN) (Li et al., 2020).
Se utiliza ampliamente entre los algoritmos de clasificación, cuyo concepto se deriva del principio de
clasificación del vecino más cercano. Para ello se presenta los pasos que sigue el algoritmo KNN para
generar una recomendación de manera general.
Paso 1: Calcular la distancia euclidiana
• Expresión matemática de manera natural
dist x,xj=(xi1-xt1)2+(xi2-xt2)2…(xip-xtp)2
Dónde:
xi: Es un clúster de entrada con características p (xi1, xi2, … xip)
n: El número total de tuplas de entrada (i =1,2, ... n)
p: El número total de características (j =1,2, … p)
La distancia euclidiana entre tuplas Xi y Xt (t =1,2, … n)
Paso 2: Almacenamiento de distancias en un “array”
arrayResult=’’ → Variable donde se almacenará los resultados.
Paso 3: Ordenamiento de distancias
Luego de haber obtenido las distancias se orden los resultados de menor a mayor, para ello utilizaremos la
siguiente función.
ArrayResult= {['P1', dist][1], ['P2', dist][2], …, ['Pn', dist][N]}
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
6 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
Paso 4: Filtrar “n” productos más cercanos
Sea el valor inicial de k=0, → k=10
i = 0,
para (i<k) {
print (arrayResult[i]);
i++;}
El bucle permitirá mostrar los 10 productos con las distancias más cercanas y recomendarlos.
2.6. Propuesta de la solución
La empresa comercial Marcimex presenta problemas en el proceso de marketing, como el bajo crecimiento
en su cartera de clientes, lo cual no le permite abarcar nuevos clientes, generando esto un decrecimiento
en las ventas, también, la atención al cliente es tardía, por los gustos y preferencias variados de los clientes
y que la atención no se puede realizar en paralelo. En este trabajo, se propone desarrollar un sistema de
recomendación basado en el algoritmo KNN, como sistema de apoyo al proceso de marketing, este sistema
se encargará de recomendar artículos de línea blanca a los clientes de acuerdo a los criterios de los usuarios,
los cuales se establecieron de acuerdo al experto del área de ventas, ya que para realizar el proceso de
ventas, se utiliza el método de encuesta, el cual consiste en la elaboración de preguntas y respuesta al
cliente, estas preguntas contienen las variables de rango de precio, color, marca del producto ideal para el
usuario, esto ayudará al experto a tener una idea clara de qué artículo se ajustará a sus preferencias al
cliente que está siendo atendido en ese instante, para un mejor entendimiento se elaboró un cuadro
pictográfico del funcionamiento del algoritmo en el sistema tal y como se muestra en la Figura 1, en la que
se expresa de manera gráfica el funcionamiento general del sistema.
Figura 1. Cuadro pictográfico
En el cuadro pictográfico, podemos visualizar que el proceso inicia cuando el cliente busca un artículo,
llevándolo a una interface de usuario donde se le muestran los productos de sus preferencias, este módulo
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
7 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
envía información al módulo de recomendación donde se aplica la lógica del algoritmo KNN y se le
recomiendan al usuario productos que estén acorde a sus preferencias.
2.7. Especificación del algoritmo
El algoritmo tuvo 12 variables de entrada, que fueron necesarias para realizar el cálculo de las distancias y
así realizar la recomendación a los usuarios, cabe recalcar que dichas variables fueron obtenidas a partir
de los criterios de los productos en base a las variables con más peso que vendrían a ser las preferencias
del usuario, para un mejor entendimiento se elaboró la Tabla 1 donde se detalla las variables, los nombres
y los acrónimos de estas variables a utilizar.
Tabla 1.
Tipos de Variables
N° variables
Nombre de Variables
Acrónimo
V1
Marca
M
V2
Peso
P
V3
Precio
PR
V4
Color
C
V5
Tipo consumo energético
TC
V6
Función
F
V7
Tipo Producto
TP
V8
Tipo Material
TM
V9
Garantía
G
V10
Cantidad de Likes
CL
V11
Cantidad de vistas
CV
V12
Capacidad
CAP
2.8. Lógica del funcionamiento del algoritmo
Luego de haber realizado la definición de las variables que usarán en el algoritmo, se procede a realizar la
elaboración de la lógica de funcionamiento del algoritmo de KNN, adaptándolo a nuestro caso de estudio,
el cual inicia con la lectura de la de las 12 variables.
2.9. Corrida del algoritmo
Al momento de generar recomendaciones, se podrá utilizar dos tipos de recomendaciones, se recomendará
de manera específica con productos específicos que el usuario prefiera y recomendaciones generales con
recomendaciones de productos que podrían interesar al cliente, por consiguiente para la corrida del
algoritmo, se utilizará la recomendación específica con datos específicos que el usuario detalle, por lo que
se elaboró la Tabla 2 donde se muestran los datos de un cliente con gustos específicos por un producto y
se agregó un “0” a los datos que vendrían a ser variables secundarias que son dependientes del algoritmo
y datos en el sistema.
Tabla 2.
Especificaciones de cliente
Descripciones del producto solicitado
Marca
Samsung
Peso
0
Precio
s/.2000
Color
Plomo
Tipo Consumo energético
0
Función
0
Tipo Producto
Refrigeradora
Tipo Material
0
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
8 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
Garantía
0
Cantidad de Likes
0
Cantidad de vistas
0
Capacidad
0
En cuanto a la base de conocimiento, se utilizó un total de 10 productos, estos artículos pasaron por un
proceso de conversión de datos cualitativos a datos cuantitativos, para que la ejecución del algoritmo sea
fácil, el único que no se convirtió a cuantitativos fue el nombre del producto, ya que este nos permitirá
diferenciar o saber qué producto se nos está recomendando, para ello se procedió a igualar cada variable
que describe a un producto ya sea marca, color, garantía y más variables, a un número que inicia en uno y
asciende en relación a la cantidad de datos cualitativos de los productos, asimismo se tomó los acrónimos
de las variables de la Tabla 1, a continuación, se presenta de manera más detallada mediante la Tabla 3 el
proceso de conversión de datos que simula el proceso del sistema.
Tabla 3.
Tabla de conversión de datos
Luego de haber igualado los datos de cualitativos a cuantitativos pasamos a elaborar la tabla de productos
la cual consta sólo de datos cuantitativos, para poder generar la corrida, expresados en la Tabla 4, para ello
se tomó valores cuantitativos de la Tabla 3 en relación a características específicas de diez artículos
seleccionados para poder realizar el cálculo de la distancia en base a la preferencia especifica del usuario
detallado en la Tabla 3, asimismo, se tomaron datos reales fijos extraídos de otras fuentes para generar una
mejor precisión del algoritmo como son el precio, peso, marca, tipo de consumo, material, garantía y
capacidad. Para finalizar se remplazaron esos datos en la Tabla 3 para obtener un valor cuantitativo así
poder obtener un valor numérico en relación con el cálculo de la distancia para generar recomendaciones
en base a la preferencia especifica de un cliente.
Tabla 4.
Tabla productos
Producto
(P)
Marca
(M)
Color
™
T.
Consumo
(TC)
Función
(F)
Garantía
(G)
Tipo material
™
Lavadora
1= LG
1= Blanco
1=A
1= Lavado y Secado
1= Tres meses
1= Lamina lisa
Aspiradora
2= Samsung
2= Gris
2=B
2= Refrigeración
2= Seis meses
2= Aluminio
Cocina
3= Electrolux
3= Negro
3=C
3= Cocinas
3= Ocho meses
3= Plástico
Hornos
4= Coldex
4= Amarillo
4=D
4= Climatización
4= Un año
4= Metálico
Microondas
5= Philips
5= verde
5=E
5= Ayudantes de cocina
5= Año y medio
Licuadora
6= Panasonic
6= Blanco/Negro
6=F
6= Ayudantes de hogar
Cafetera
7= Pioneer
7= Gris/Negro
7=G
Nevera
inteligente
8= Beko
8= Blanco/Gris
Congelador
9= Mabe
9= Rojo
Refrigerador
10=Indurama
N°
Artículo
Marca
Peso(kg)
Precio
Color
T. Consumo
Función
T. Producto
T. Material
Garantía
Cant. Likes
Cant. Vistas
Capacidad(lt)
1
Lavadora
1
10
988
5
2
4
5
6
2
0
0
13
2
Aspiradora
1
4
385
2
2
2
1
2
1
0
0
5
3
Cocina
4
13
790
6
2
1
1
2
1
0
0
72.2
4
Hornos
4
8
964.5
1
2
3
2
4
2
0
0
23
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
9 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
Para la corrida del algoritmo y el cálculo de distancias se distribuyeron cinco pasos fundamentales que
permitan realizar el cálculo de variables y ejecución del algoritmo, como se detalla a continuación.
Paso 1: Lectura de la información en variables
En el primer paso se hace la lectura de la información y se almacena en las variables remplazando datos de
la Tabla 2, en la que ingresan 12 variables V1, V2, V3, V4, V5, V6, V7, V8, V9, V10, V11, V12 donde
V1=Samsung, V2=0 V3=2000, V4=Plomo, V5=0, V6=0, V7=Refrigeradora, V8=0, V9=0, V10=0, V11==,
V12=0 Litros.
Luego de haber ingresado y almacenado, pasamos al paso dos, donde se cargarán los datos almacenados
en la tabla productos tal y como se detalla a continuación.
Paso 2: Cargado de datos
En este paso se realiza el cargado de datos de la tabla productos expresada en la Tabla 4, el cual será
almacenado en un “Array” el que nos permitirá convertir a datos cuantitativos toda la información de los
productos, se expresa de la siguiente manera.
ArrayBD_LB = [Tabla_Productos]
Luego de haber cargado la información de los productos, se procede a hacer el cálculo de la distancia entre
las variables de los gustos del cliente y de los productos.
Paso 3: Cálculo de la distancia Euclidiana
Luego de haber realizado el paso 1 y 2, que son la lectura de variables y el cargado de datos de la tabla
productos, se procese a realizar el cálculo de la distancia, para ello utilizaremos la fórmula expuesta del
algoritmo KNN, la cual se detalla a continuación:
Expresión matemática de manera natural
Expresado de manera general
Para realizar el cálculo de distancia de los productos y las variables, utilizaremos el bucle “foreach” para
calcular las variables uno a uno con los productos de la base de datos.
Foreach ($arrProductos as $key => $Crt) {
$arrDis[$key] = [pow (($V1 - $Crt[‘c1’]),2) + pow (($V2 - $Crt[‘c2’]),2)
5
Microondas
1
4
499
6
2
2
4
1
1
0
0
34
6
Licuadora
4
2
290
4
2
3
1
2
1
0
0
2.3
7
Cafetera
1
6
549
3
2
5
2
1
1
0
0
1.5
8
Nevera inteligente
5
1
2050
7
1
3
3
4
1
0
0
368
9
Congelador
2
46
2100
2
2
5
1
6
2
0
0
380
10
Refrigerador
2
53
2000
3
1
2
4
1
2
0
0
370
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
10 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
+ pow (($V3 - $Crt [‘c3’]),2) + pow (($V4 - $Crt [‘c4’]),2)
+ pow (($V5 - $Crt [‘c5’]),2) + pow (($V6 - $Crt [‘c6’]),2)
+ pow (($V7 - $Crt [‘c7’]),2) + pow (($V8 - $Crt [‘c8’]),2)
+ pow (($V9 - $Crt [‘c9’]),2) + pow (($V10 - $Crt [‘c10’]),2)
+ pow (($V11 - $Crt [‘11’]),2) + pow (($V12 - $Crt [‘c12’]),2)];
′′ → Variable donde se almacenará los resultados.
Para el cálculo de la distancia entre las variables entrantes y los artículos de la tabla productos, se elaboró
una tabla como se muestra a continuación.
Tabla 5.
Cálculo de distancias
N°
Modelo
Cálculo de distancia
Distancia
1
Lavadora
1073,90
2
Aspiradora
1656,37
3
Cocina
1246,67
4
Hornos
1092,91
5
Microondas
1538,85
6
Licuadora
1749,75
7
Cafetera
1497,72
8
Nevera inteligente
70,35
9
Congelador
100,82
10
Refrigerador
5,20
Luego de haber realizado el cálculo de las distancias con el bucle for, se procede a mostrar los resultados
en la siguiente tabla:
Tabla 6.
Resultados de distancia
N°
Producto
Distancia
1
Lavadora
1073,90
2
Aspiradora
1656,37
3
Cocina
1246,67
4
Hornos
1092,91
5
Microondas
1538,85
6
Licuadora
1749,75
7
Cafetera
1497,72
8
Nevera inteligente
70,35
9
Congelador
100,82
10
Refrigerador
5,20
Luego de realizar el cálculo de distancias de las preferencias del usuario con la tabla productos se procede
a ordenar los resultados, para luego encontrar los “N” productos más cercanos a las preferencias.
Paso 4: Ordenar resultados
Para el ordenamiento de los resultados de las distancias, se define un “arrayResult” para el almacenamiento
de las distancias ordenadas en forma ascendente.
ArrayResult= {['P1', dist][1], ['P2', dist][2], …, ['Pn', dist][N]}
De esta manera se expresan todas las distancias en orden ascendente, desde la menor distancias hasta la
distancia del “N” producto más lejano.
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
11 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
Tabla 7.
Ordenamiento de distancias de menor a mayor
N°
Producto
Distancia
10
Refrigerador
5,20
8
Nevera inteligente
70,35
9
Congelador
100,82
1
Lavadora
1073,90
4
Hornos
1092,91
3
Cocina
1246,67
7
Cafetera
1497,72
5
Microondas
1538,85
2
Aspiradora
1656,37
6
Licuadora
1749,75
Paso 5: Definimos las “N” distancias más cercanas a mostrar
Para ello ejecutamos el siguiente bucle, que nos permitirá encontrar las distancias más cercanas en
relaciona las variables entrantes de las preferencias del cliente.
Sea el valor inicial de k=0, → k=3
i=0
para (i<k) {
print (arrayResult[i]);
i ++;
}
Para el cálculo de bucle expresado se trabajará con las 3 distancias más cercanas a las preferencias del
cliente, entonces si k=3, nos muestra las 3 distancias más cercanas a las preferencias del usuario.
Obteniendo como resultado los productos expresados en la siguiente tabla.
Tabla 8.
K productos más cercanos
N°
Producto
Distancia
10
Refrigerador
5,20
8
Nevera inteligente
70,35
9
Congelador
100,82
De esta manera obtenemos que mediante el uso del algoritmo “KNN” se recomendaron los tres productos
más cercanos a las necesidades del usuario, por lo que se recomendaron los productos tales como
refrigerador, nevera inteligente y congelador.
3. RESULTADOS
La ejecución del algoritmo produce los tres productos principales que se acercan más a las preferencias del
usuario, clasificados de menor a mayor, es decir, la distancia desde el más corto hasta el más alejado de las
preferencias del cliente. Como producto más cercano se recomienda el refrigerador, donde las variables
con mayor peso son el precio, la marca y el color, ajustados al gusto del cliente. El siguiente producto más
cercano es el refrigerador inteligente, que pertenece a la categoría de productos de refrigeración. A la hora
de recomendar, se toman como variables más ponderadas las variables precio y color relacionadas con las
preferencias del usuario, y finalmente se recomienda un congelador, cuya variable dependiente
recomendada es el precio, lo que demuestra que el algoritmo propuesto funciona exactamente de acuerdo
con los gustos y preferencias del usuario.
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
12 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
3.1. El software de recomendación de productos
La implementación de este sistema de recomendación se realizó a través del editor de código de
programación Visual Studio Code, con el patrón de arquitectura MVC (Modelo, Vista Controlador) aplicando
el lenguaje de programación PHP junto al sistema de gestión de base de datos MySQL. También se utilizó el
entorno de modelado RSA (Rational Software Architect) para la elaboración de los diagramas de caso de
uso, de clases de análisis de secuencia entre otros, para ello se realizó la Figura 2 en la que se expresa de
manera más estructurada el funcionamiento del sistema.
En la Figura 2 se muestra los módulos con los que el sistema de recomendación cuenta, entre ellos están el
módulo de acceso al sistema, interacción con el usuario, interacción con los productos y el módulo de
recomendación.
Figura 2. Modelo del sistema de recomendación
Para un mejor entendimiento, en la Figura 3 se presenta el caso de uso del sistema en la que tenemos
como actores al administrador del sistema, cliente y trabajador, el cliente podrá registrarse, así mismo
hacer registro de sus preferencias al entrar al sistema, podrá visualizar los productos y valorar con likes
al producto, por otra parte tenemos al administrador que estará encargado del control total del sistema
y podrá agregar trabajadores que a su vez estos mismos puede registrar productos y administrar los
procesos de registro, modificación y eliminación de productos.
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
13 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
Figura 3. Casos de uso del sistema
3.2. Proceso de recomendación
Para el funcionamiento del sistema propuesto se toma en cuenta el primer inicio de sesión de un cliente
mostrando un cuestionario para recolectar las 3 variables que tienen más peso al momento de trabajar con
el algoritmo y generar la recomendación tal y como se muestra en la Figura 4.
Figura 4. Cuestionario de recolección de datos
En la Figura 5 se muestra la parte de recomendaciones que el sistema brinda a los clientes al haber
calculado y comparado la información entrante mediante el cuestionario de inicio de sesión por primera
vez con la base de datos con toda la información de los productos registrados.
Una vez que el cliente realizó su inicio de sesión por primera vez el sistema ha calculado y mostrado
recomendaciones basada en las variables que más peso tienen definidas en las preguntas del cuestionario
mostrado en la Figura 4, para la recomendación personalizada el cliente pasa a interactuar con el sistema
visualizando más productos. El sistema le permitirá visualizar los productos que el cliente elija cargando
sus características dentro de las tres variables más sumadas a las del inicio de sesión haciendo un total de
doce variables registrándolas como valores cuantitativos para poder ser calculadas mediante el algoritmo
K vecinos más cercanos y su fórmula de la distancia euclidiana.
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
14 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
Figura 5. Recomendación de productos
El cliente también podrá comentar y calificar, esta calificación como una variable más registrada dentro de
la base de datos del sistema para que se una al cálculo de la distancia a través del algoritmo permitiendo al
sistema actualizar su lista de recomendaciones de manera constante tal y como se muestra en la Figura 6 y
7.
Figura 6. Registro de comentarios
Asimismo, el sistema también permitirá el registro y validación de cada like y comentario que el cliente
haga para poder utilizarlo como dato cuantitativo al momento de realizar recomendaciones, así como se
muestra en la Figura 7.
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
15 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
Figura 7. Registro de Likes y comentarios
4. DISCUSIÓN
La distancia euclidiana es eficiente en relación con recomendación de productos donde exista la distancia
entre atributos que tengan características comunes a diferencia de otros métodos para el cálculo de
medidas de similitud (Bag et al., 2019), el algoritmo KNN es el algoritmo que más se adapta al cálculo de
distancia generando mayor eficiencia, precisión y adaptabilidad al momento de generar recomendaciones
mediante el cálculo de distancias tal y como se demuestra en la Figura 8.
Figura 8. Comparación de algoritmos
A diferencia de otros algoritmos, mediante el cálculo de distancia el algoritmo KNN logra realizar
recomendaciones precisas en relación a variables que son calculadas mediante la navegación del usuario
por el sistema, a diferencia de otras investigaciones, el algoritmo KNN logra recomendar productos a los
clientes de forma eficiente además de ello, se pretende implementar una técnica basada en lógica difusa
que incremente el tiempo de recomendación y recomiende sólo productos más relevantes para el usuario,
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
16 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
(Karthik & Ganapathy, 2021), en relación a las preferencias obtenidas mediante la navegación que este
realiza en el sistema.
Para la solución de arranque frío del sistema es procedente realizar el pedido de indicios de lo que busca el
cliente para ello, se presenta un formulario con variables primarias donde el cliente ingrese datos estáticos
y a partir de ello generar recomendaciones en relación a los puntos más cercanos a las preferencias del
cliente tal y como se detalla en la Figura 4, también la implementación de la técnica de procesamiento de
lenguaje natural que ayuda a predecir productos similares o productos recientes que son sacados a la venta
mediante un vector de funciones que nace a raíz de imágenes (Kumar Sharma et al., 2023).
CONCLUSIÓN
En la literatura, los sistemas de recomendación son herramientas tecnológicas que juegan un papel muy
importante al momento de realizar recomendaciones, ya que en la actualidad se utilizan para dar
soluciones a distintos problemas donde la información que existe es abrumadora, filtrando así toda la
información en paquetes más pequeños y de interés para los usuarios.
Se concluye que con la realización de este sistema de recomendación bajo sus interfases amigables se logró
implementar una solución automatizada mediante el uso del algoritmo K vecinos más cercanos apoyando
a los procesos de marketing digital mediante el comercio electrónico y a ello se suma el aumento
significativo de las ventas de productos electrónicos.
Se concluye que el algoritmo K vecinos más cercanos al momento de analizar los valores cuantitativos de
cada variable y compararlas con cada producto seleccionado por el cliente es capaz de brindar
recomendaciones precisas y muy aceptables.
Se recomienda fortalecer la capacidad de los sistemas de recomendación a través del algoritmo K vecinos
más cercanos mejorando los procesos de venta para que el cliente obtenga opciones precisas de
electrodomésticos.
Se recomienda promover la implementación de tecnologías como los sistemas de recomendación en las
empresas nacionales e internacionales que actualmente hacen uso del comercio electrónico, para mejorar
diversos procesos de marketing digital.
FINANCIAMIENTO
Ninguno
CONFLICTO DE INTERESES
No existe ningún tipo de conflicto de interés relacionado con la materia del trabajo.
CONTRIBUCIÓN DE LOS AUTORES
Conceptualización: Guevara-Fernandez, A. & Coral-Ygnacio, M.
Curación de datos: Coral-Ygnacio, M.
Análisis formal: Guevara-Fernandez, A.
Metodología: Coral-Ygnacio, M.
Software: Guevara-Fernandez, A.
Visualización: Guevara-Fernandez, A.
Redacción - borrador original: Coral-Ygnacio, M.
Redacción - revisión y edición: Guevara-Fernandez, A. & Coral-Ygnacio, M.
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
17 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
REFERENCIAS BIBLIOGRÁFICAS
Adeniyi, D. A., Wei, Z., & Yongquan, Y. (2016). Automated web usage data mining and recommendation
system using K-Nearest Neighbor (KNN) classification method. Applied Computing and Informatics,
12(1), 90–108. https://doi.org/10.1016/j.aci.2014.10.001
Afoudi, Y., Lazaar, M., & Al Achhab, M. (2021). Hybrid recommendation system combined content-based
filtering and collaborative prediction using artificial neural network. Simulation Modelling Practice
and Theory, 113, 102375. https://doi.org/10.1016/j.simpat.2021.102375
Bag, S., Ghadge, A., & Tiwari, M. K. (2019). An integrated recommender system for improved accuracy and
aggregate diversity. Computers & Industrial Engineering, 130, 187–197.
https://doi.org/10.1016/j.cie.2019.02.028
Cai, X., Hu, Z., Zhao, P., Zhang, W. S., & Chen, J. (2020). A hybrid recommendation system with many-
objective evolutionary algorithm. Expert Systems with Applications, 159, 113648.
https://doi.org/10.1016/j.eswa.2020.113648
Cao, B., Zhao, J., Liu, X., Kang, X., Yang, S., Kang, K., & Yu, M. (2018). Multiobjective recommendation
optimization via utilizing distributed parallel algorithm. Future Generation Computer Systems, 86,
1259–1268. https://doi.org/10.1016/j.future.2017.09.005
Cao, Y., & Li, Y. (2007). An intelligent fuzzy-based recommendation system for consumer electronic
products. Expert Systems with Applications, 33(1), 230–240.
https://doi.org/10.1016/j.eswa.2006.04.012
Castro Gallardo, J. (2012). Un nuevo modelo ponderado para sistemas de recomendación basados en
contenido con medidas de contingencia y entropía [Universidad de Jaén].
https://sinbad2.ujaen.es/sites/default/files/publications/TTII_JorgeCastro.pdf
Criado González, M. (2018). Análisis e implementación de un sistema de recomendación para la lista de la
compra [Universidad Carlos III de Madrid]. http://hdl.handle.net/10016/2943
Franco Zapata, A. (2021). Sistemas de recomendación contextual [Universidad EAFIT].
http://hdl.handle.net/10784/3141
Guevara Albán, G. P., Guevara Albán, C., & Valverde, I. (2018). Sistemas de Recomendaciones: Una
herramienta para mejorar la gestión de la información en las PYMES. Journal of Science and
Research: Revista Ciencia e Investigación, 3(CITT2017), 121–127.
https://doi.org/10.26910/issn.2528-8083vol3isscitt2017.2018pp121-127
Hssina, B., & Erritali, M. (2019). A personalized pedagogical objectives based on a genetic algorithm in an
adaptive learning system. Procedia Computer Science, 151(2018), 1152–1157.
https://doi.org/10.1016/j.procs.2019.04.164
Jain, A., Nagar, S., Singh, P. K., & Dhar, J. (2020). EMUCF: Enhanced multistage user-based collaborative
filtering through non-linear similarity for recommendation systems. Expert Systems with
Applications, 161, 113724. https://doi.org/10.1016/j.eswa.2020.113724
Karthik, R. V., & Ganapathy, S. (2021). A fuzzy recommendation system for predicting the customers
interests using sentiment analysis and ontology in e-commerce. Applied Soft Computing, 108,
107396. https://doi.org/10.1016/j.asoc.2021.107396
Korus, K., Salamak, M., & Jasiński, M. (2021). Optimization of geometric parameters of arch bridges using
visual programming FEM components and genetic algorithm. Engineering Structures, 241, 112465.
https://doi.org/10.1016/j.engstruct.2021.112465
Guevara-Fernandez, A. & Coral-Ygnacio, M. A.
18 Rev. Cient. Sist. Inform. 3(2): e557; (Jul-Dic, 2023). e-ISSN: 2709-992X
Kumar Sharma, A., Bajpai, B., Adhvaryu, R., Dhruvi Pankajkumar, S., Parthkumar Gordhanbhai, P., &
Kumar, A. (2023). An Efficient Approach of Product Recommendation System using NLP Technique.
Materials Today: Proceedings, 80, 3730–3743. https://doi.org/10.1016/j.matpr.2021.07.371
Li, M., Li, Y., Lou, W., & Chen, L. (2020). A hybrid recommendation system for Q&A documents. Expert
Systems with Applications, 144, 113088. https://doi.org/10.1016/j.eswa.2019.113088
Liu, H., Zhao, J., Li, P., Zhao, P., & Wu, X. (2021). Shared-view and specific-view information extraction for
recommendation. Expert Systems with Applications, 186, 115752.
https://doi.org/10.1016/j.eswa.2021.115752
Luque-Ortiz, S. (2021). Estrategias de marketing digital utilizadas por empresas del retail deportivo.
Revista CEA, 7(13), 0–22. https://doi.org/10.22430/24223182.1650
Marín López, J. C., & López Trujillo, M. (2020). Análisis de datos para el marketing digital emprendedor:
Caso de estudio Parque de Innovación Empresarial - Universidad Nacional sede Manizales. Revista
Universidad y Empresa, 22(38), 65.
https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.7135
Martinez Rodriguez, J. R., & Alarcón Martínez, G. J. (2020). Análisis de la flexibilidad del proveedor y la
participación de abastecimientos en el desempeño de manufactura para el sector de
electrodomésticos (Analysis of supplier flexibility and purchasing participation in the manufacturing
performance for applianc. Revista Innovaciones de Negocios, 17(33), 98–127.
https://doi.org/10.29105/rinn17.33-6
Mlika, F., & Karoui, W. (2020). Proposed Model to Intelligent Recommendation System based on Markov
Chains and Grouping of Genres. Procedia Computer Science, 176, 868–877.
https://doi.org/10.1016/j.procs.2020.09.082
Ni, L., Lin, H., Zhang, M., & Zhang, J. (2018). Hybrid Filtrations Recommendation System based on Privacy
Preserving in Edge Computing. Procedia Computer Science, 129, 407–409.
https://doi.org/10.1016/j.procs.2018.03.016
Ravnik, J., Jovanovac, J., Trupej, A., Vištica, N., & Hriberšek, M. (2021). A sigmoid regression and artificial
neural network models for day-ahead natural gas usage forecasting. Cleaner and Responsible
Consumption, 3, 100040. https://doi.org/10.1016/j.clrc.2021.100040
Sánchez, N. (2019). Línea Blanca en auge, de la mano de la innovación y la eficiencia. Electromarket.
https://www.electromarket.com/uploads/2019/08/linea_blanca_auge_19618_20190801014454.p
df
Ullal, M. S., Hawaldar, I. T., Soni, R., & Nadeem, M. (2021). The Role of Machine Learning in Digital
Marketing. SAGE Open, 11(4), 215824402110503. https://doi.org/10.1177/21582440211050394
Uribe, C. I., & Sabogal Neira, D. F. (2021). Marketing digital en micro y pequeñas empresas de publicidad
de Bogotá. Revista Universidad y Empresa, 23(40).
https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.8730
Ye, G., & Zhao, X. (2018). Improved SVD algorithm based on Slope One. Proceedings of the 30th Chinese
Control and Decision Conference, CCDC 2018, 1, 1002–1006.
https://doi.org/10.1109/CCDC.2018.8407276
Zhang, F., Qi, S., Liu, Q., Mao, M., & Zeng, A. (2020). Alleviating the data sparsity problem of recommender
systems by clustering nodes in bipartite networks. Expert Systems with Applications, 149, 113346.
https://doi.org/10.1016/j.eswa.2020.113346
