Estrategias de recomendación semántica para productos innovadores: un caso de estudio Zero-Shot con IQOS

Simple item page
dc.contributor.MentorFraiman, Daniel
dc.creator.AutorSilva Alva, Peter Joe
dc.date.accessioned2025-10-29T18:18:40Z
dc.date.available2025-10-29T18:18:40Z
dc.date.issued2025
dc.descriptionFil: Silva Alva, Peter Joe. Universidad de San Andrés. Departamento de Matemática y Ciencias; Argentina.
dc.description.abstractEl objetivo de esta tesis es abordar el problema del Zero-Shot (cold start extremo) en los sistemas de recomendación mediante el diseño e implementación de estrategias de Zero-Shot learning aplicadas al ecosistema de productos IQOS. Se desarrollan y comparan tres enfoques: un sistema basado en embeddings semánticos, otro utilizando modelos de lenguaje de gran escala (LLM), y un modelo híbrido que combina ambos mediante una arquitectura de “retrieve and re-rank”. Los resultados cuantitativos muestran que el modelo híbrido supera a los enfoques individuales, mitigando alucinaciones del LLM y mejorando la precisión semántica. Cualitativamente, el híbrido ofrece justificaciones persuasivas, destacando la importancia de descripciones enriquecidas.
dc.formatapplication/pdf
dc.identifier.urihttps://repositorio.udesa.edu.ar/handle/10908/25875
dc.languagespa
dc.publisherUniversidad de San Andrés. Departamento de Matemática y Ciencias
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.titleEstrategias de recomendación semántica para productos innovadores: un caso de estudio Zero-Shot con IQOS
dc.typeTesis
dc.typeinfo:eu-repo/semantics/masterThesis
dc.typeinfo:ar-repo/semantics/tesis de maestría
dc.typeinfo:eu-repo/semantics/updatedVersion
Files
Original bundle
Thumbnail Image
Name:
[P][W] M. C.deD. Silva Alva, Peter Joe.pdf
Size:
1.35 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Maestría en Ciencia de Datos