Diseño de un modelo de Recomendación entre mascotas (perros) y familias aspirantes para mejorar la adopción: estudio de caso en seis fundaciones Bogotá y Sabana.

Abstract

Este trabajo de grado presenta el diseño y la evaluación de un sistema de recomendación de perfiles de perros disponibles para la adopción a los usuarios interesados. El objetivo del sistema es facilitar el proceso de búsqueda y selección de perros que se ajusten a las preferencias y necesidades de los usuarios, así como promover los perfiles de los perros que se ajusten al estilo de vida del usuario (familias), según las reglas del negocio de las fundaciones. Se desarrolla un aplicativo denominado Doggynator, en la primera parte para la recolección de los datos. Se usan algoritmos de aprendizaje automático como árboles de decisión y vecinos cercanos, con el objetivo de disminuir las variables del formulario de entrada al recomendador. Se usa el scraping de la red social de Facebook y se aplicó como metodología el protocolo de estudios de caso, para el desarrollo de la investigación, finalmente en la segunda parte del desarrollo de Doggynator se escogió el algoritmo Random Forest, para generar las recomendaciones del aplicativo.

El sistema se evaluó con un conjunto de datos real obtenido de diferentes fundaciones en Bogotá y con los datos recogidos en la plataforma Doggynator, que fue diseñada y desarrollada en la presente investigación. Los resultados mostraron que el sistema propuesto genera recomendaciones personalizadas y relevantes, con una sensibilidad del 77 %, además se evaluó con 70 usuarios reales adicionales, con un índice de acierto el 72.56 %, y el Instituto de protección animal de Bogotá valoró positivamente la experiencia de uso y utilidad del sistema.

En resumen, este trabajo de grado constituye una iniciación a la aplicación de la ciencia de datos en el proceso de adopción de perros, proporcionando al futuro adoptante una gama de alternativas que se ajusten a sus necesidades y preferencias. Además, se pone a disposición una base de datos depurada que puede servir como punto de partida para investigaciones posteriores en este campo. También se destaca que la experiencia de revisar y estudiar literatura científica de diversas áreas ha enriquecido el análisis y la formulación del diseño del recomendador, al ofrecer perspectivas adicionales y ángulos complementarios.

This document presents the design and evaluation of a dog profile recommendation system available for adoption to interested users. The system's objective is to facilitate the process of searching and selecting dogs that fit users' preferences and needs, as well as promoting profiles of dogs that match the user's lifestyle (families), always following the business rules of the foundations, an application called Doggynator is developed. In the first part, machine learning algorithms such as nearest neighbors is used for data collection, aiming to reduce the variables of the input form to the recommender. Facebook social network scraping is used, and a case study protocol is applied as the research methodology. Finally, in the second part of Doggynator development, the Random Forest algorithm is chosen to generate application recommendations.

The system is evaluated with a real dataset obtained from different foundations in Bogotá and with the data collected on the Doggynator platform, which was designed and developed in this research. The results show that the proposed system generates personalized and relevant recommendations, with a sensitivity of 77%. It was also evaluated with 70 additional real users, achieving a hit rate of 72.56%. The Bogotá’s Animal Protection Institute positively evaluated the user experience and utility of the system.

In summary, this work serves as an introduction to the application of data science in the dog adoption process, providing prospective adopters with a range of alternatives tailored to their needs and preferences. Additionally, a refined database is made available, which can serve as a starting point for further research in this field. It is essential to highlight that the experience of reviewing and studying scientific literature from various areas has enriched the analysis and formulation of the recommender system's design by offering additional perspectives and complementary angles.