1. Algoritmo Evolutivo Ecommerce. Mejorando los perfiles de usuario para el comercio electrnico mediante algoritmos genticos (Improving UserProfiles for E-commerce by Genetic Algorithms.) Problem 1. Imaginar el conjunto de items, I, u representa al usuario navegando por la web. Objetivo: Obtener la lista de deseo, wish list Iu E I Es decir la lista de items que son valorados en base a los intereses de u.

2. Obtener una lista de productos para unusuario requiere de 3 Pasos: Obtener la percepcin del usuario, data sobre el comportamiento del usuario. Valorar los productos. La prediccin de los intereses del usuario es utilizada para generar la lista de productos. Ajustar las configuraciones del usuario. Utilizar el feedback o el comportamiento siguiente al mostrar el listado de productos. Algoritmo Evolutivo Ecommerce. 3. Algoritmo Evolutivo Ecommerce. 4. Algoritmo Evolutivo Ecommerce. I FASE: YODA utiliza modelos de matrices de atributos (FM) es una estructura de dato representada por un hyper-cube, a travs de estos navega por los patrones de los usuarios activos y se genera clusters que asocia el comportamiento de un usuario por su navegacion. Usa medidas de similitud Project Pure Euclidean Distance para evaluar la similitud de un usuario por la forma en que navega y asociarlo a un cluster. II FASE: Valoracin de itemes, se realiza mediante dos pasos: II.a Recomendaciones expertas: listas de valoraciones de productos realizados por expertos humanos. II.b Clusters de usuarios, Clusters de patrones de navegacin. Item: Lista de Productos: 5. Algoritmo Evolutivo Ecommerce.Algoritmo Evolutivo Ecommerce.Algoritmo Evolutivo Ecommerce. III FASE: Adjustando las configuraciones del usuario, Comprende el algoritmo de aprendizaje, utiliza algoritmos genticos para mejorar la lista de valores confiables, decodificando el mejor cromosoma para reemplazar el existente. Los usuarios no son necesarios en esta etapa para mejorar estos valores de confianza. Esto slo se puede realizar si se tiene suficiente data. Asumiendo que los usuarios slo navegan por los itemes potencialmente deseables, la preferencia de itemes puede ser estimada por el comportamiento de navegacin. Identificando Los elementos del algoritmo Gentico: 1 ) Los cromosomas representan un perfil de usuario. 2 ) Gen, involucra dos tipos de registro, 2.1 ) informacin confidencial del usuario. 2.2 ) valor de corte difuso, L=nmero de trminos difusos, (t + 1) /L donde t E [0, L-1] = valor del gen. 6. Algoritmo Evolutivo Ecommerce. III FASE: Funcin fitness: asocia un perfil de usuario a un slo cromosoma, el ltimo valor del gen representa el corte difuso de usuario. La funcin fitness decodifica el cromosoma en una lista de productos deseados, La medida de similaridad que utiliza el algoritmo est dado por la ecuacin 12, estando basado en dos medidas. La ecuacin 10 evalua la similaridad en las valoraciones de productos. La ecuacin 11 evalua la medida promedio de satisfaccin del usuario con la lista de productos deseados. 7. En resumen una vez el proceso de aprendizaje es ejecutado, el mecanismo de aprendizaje convierte el comportamiento de navegacin a un relevante feedback, Luego se codifica la lista de productos a un cromosoma y aleatoriamente genera otros cromosomas como poblacin inicial. Algoritmo Evolutivo Ecommerce. 8. Elementos de un Algoritmo Evolutivo. operadores geneticos: mutacin, recombinacin(crossover uno o dos genes) funcin fitness: Funcin que identifica cual individuo de la poblacin es mejor que otro. (Proceso de Seleccin) Poblacin: Conjunto de individuos. Individuo: est compuesto de genes, (solucin). Genes: atributos que componen una solucin. 9. Programacin Gentica. Referencias: A review of Evolutionary Algorithms for E-commerce. Alex A. Freitas. Improving User Profiles for E-Commerce by Genetic Algorithms. - Yi-Shin Chen and Cyrus Shanabi. 10. Segn La Universidad de Oviedo1, Es la extensin del modelo de aprendizaje en el espacio de soluciones. Esto quiere decir que el objeto que constituye la poblacin no es de un tamao exacto (una cadena de caracteres en el algoritmo gentico) que codifica posibles soluciones al problema. Sino consiste en rboles (cada uno referencia a un programa, rboles de cdigo ejecutable, tambin puede ser grafos, u otra entidad). Tiene que satisfacer dos propiedades suficiencia y closure. 1 http://www.uniovi.es/, http://www6.uniovi.es/ftp/pub/EC/FAQ/www/Q1_5.htm 2 http://www.talkorigins.org/ - Universidad de Ediacara GECCO - Genetic and Evolutionary Computation Conference. http://www.sigevo.org/gecco-2014/ Programacin Gentica. 11. Programacin Gentica. Los individuos/programa (soluciones) estn compuesto de nodos. 12. Conjunto Nodos Internos = Function Set/Nodos internos Conjunto de nodos Terminales = Terminal Set/Nodos Terminales. Se menciona en el artculo talkorigins, varios de sus trabajos en el mbito de computacin evolutiva: http://en.wikipedia.org/wiki/John_Koza Programacin Gentica. 13. Mtodos de Adaptacin: Crossover/recombinacin/mezclado: Mezclar o Combinar y se divide en Subtree Crossover y Point Crossover. Mutacin. Existen Varios tipos de operadores genticos entre ellos subtree mutation y point mutation. Programacin Gentica. 14. Programacin Gentica Crossover. Aleatoriamente selecciona subrboles/ramas del individuo/programa seleccionado con la funcin de fitness (padres seleccionados) y los intercambian. Subtree Crossover 15. Programacin Gentica Crossover. Point Crossover Se elije un punto de corte de forma aleatoria, donde lo que se encuentre luego del punto de corte ser desechado y el resto se unir en un nuevo individuo/programa/solucin. 16. Programacin Gentica Crossover. 17. Mutacin-subrboles: Selecciona aleatoriamente una rama o sub rbol, y este es sustituido por una rama generada aleatoriamente bajo restricciones de profundidad y tamao. Programacin Gentica Mutacin. Subtree Mutation 18. Point Mutation Mutacin-Punto/Nodo: Selecciona aleatoriamente un nodo, y este es sustituido por un nodo del mismo tipo, al referime a tipo terminal(variable/constraint) o nodo interno(funcin). Programacin Gentica Mutacin. 19. Evitar la homogenizacin de la poblacin, ya que impide que el algoritmo siga explorando soluciones y se queda estancado en un mnimo local. En estos casos se debera mutar al individuo. Limitaciones. 20. Programacin Gentica. 21. Tareas en Ecommerce. Recuperacin de la informacin, descubriendo de estrategias de negociacin, mejorando la presentacin de pginas web. Ubicacin de banners para maximizar el nmero de clicks y tener mayor ganancia por publicidad. Deteccin de Fraude. Automatizado de estrategias de negocio para subastas (incremento de la puja, monto mnimo) (bids y offers). Sistema de Recomendaciones. 22. Un enfoque evolutivo para apoyar el diseo de pginas web3. El sistema fue diseado para optimizar las plantillas de pginas web consistiendo principalmente de imgenes en formas de rectngulos. El problema es organizar n>= 1 rectangulos (imagenes) . R1 .. Rn sobre un gran rectngulo (pgina web) de tal manera que exista algn criterio que permita optimizar de la calidad de plantilla. Programacin Gentica Ecommerce. 23. Un layout(Plantilla) es obtenida por dividir el gran rectngulo en N rectangulos ms pequeos. Usando el mtodo de particin binaria recursiva. Entonces una plantilla es representada por un arbol binario con n hojas, cada uno de estos representa un rectangulo ri. Programacin Gentica Ecommerce. 24. Funcin fitness: toma en cuenta dos factores/restricciones: La cantidad de espacios en blancos en el layout(espacio que no es usado por una imagen). El tamao de la escala usada para ajustar las imgenes en la pgina web. Estos factores se deben minimizar, mientras ms pequeo estos valores ms se aproxima a la solucin candidata. Programacin Gentica Ecommerce. 25. Web Usage Mining Using Artificial Ant Colony Clustering and Genetic Programming. Ajith Abraham Department of Computer Science, Oklahoma State University, Tulsa, OK 74106, USA Vitorino Ramos CVRM GeoSystems Centre, Technical Universit y of Lisbon, Portugal Algoritmo Evolutivo Ecommerce. 26. Parametros definidos: Frecuencia de mutacin. Frecuencia de recombinacin/crossover Frecuencia de reproduccin. El operador crossover actua intercambiando la secuencia de instrucciones, entre los dos ganadores del torneo /competencia. Despues de un enfoque de prueba y error, para medir que modelo es mejor se seleccionaron los siguientes parmetros: Algoritmo Evolutivo Ecommerce. 27. Population size: 500 Maximum no. of tournaments : 120,000 Mutation frequency: 90% Crossover frequency: 80% Number of demes: 10 Maximum program size: 512 Target subset size: 100 Algoritmo Evolutivo Ecommerce. 28. Bibliografa. [1] http://www.uniovi.es/, http://www6.uniovi.es/ftp/pub/EC/FAQ/www/Q1_5.htm [2] http://www.talkorigins.org/ - Universidad de Ediacara [3] Funch MM. (2000) An evolutionary approach to support web page design. Proc 2000 Congres on Evolutionary Computtion (CEC-2000), pp 1312-1319. IEEE Press. Piscataway, NJ [4] Improving UserProfiles for E-commerce by Genetic Algorithms. Yi shin Chen and Cyrus Shanabi. Integrated Media Systems Center and Computer Science Departament, University of Southen, Los ngeles.