Treballs Finals del Grau d'Economia i Estadística. Doble titulació interuniversitària, Universitat de Barcelona i Universitat Politècnica de Catalunya. Curs: 2017-2018. Tutors: Esteban Vegas Lozano; Salvador Torra Porras(eng) Recommender Systems are information filtering engines used to estimate user preferences on items they have not seen: books, movies, restaurants or other things for which individuals have different tastes. Collaborative and Content-based Filtering have been the two popular memory-based methods to retrieve recommendations but these suffer from some limitations and might fail to provide effective recommendations. In this project we present several variations of Artificial Neural Networks, and in particular, of Autoencoders to generate model-based predictions for the users. We empirically show that a hybrid approach combining this model with other filtering engines provides a promising solution when compared to a standalone memory-based Collaborative Filtering Recommender. To wrap up the project, a chatbot connected to an e-commerce platform has been implemented so that, using Artificial Intelligence, it can retrieve recommendations to users.(cat) Els Sistemes de Recomanació són motors de filtratge de la informació que permeten estimar les preferències dels usuaris sobre ítems que no coneixen a priori. Aquests poden ser des de llibres o películes fins a restaurants o qualsevol altre element en el qual els usuaris puguin presentar gustos diferenciats. El present projecte es centra en la recomanació de llibres. Es comença a parlar dels Sistemes de Recomanació al voltant de 1990 però és durant la darrera dècada amb el boom de la informació i les dades massives que comencen a tenir major repercussió. Tradicionalment, els mètodes utilitzats en aquests sistemes eren dos: el Filtratge Col·laboratiu i el Filtratge basat en Contingut. Tanmateix, ambdós són mètodes basats en memòria, fet que suposa diverses limitacions que poden arribar a portar a no propocionar recomanacions de manera eficient o precisa. En aquest projecte es presenten diverses variacions de Xarxes Neuronals Artificials per a generar prediccions basades en models. En concret, es desenvolupen Autoencoders, una estructura particular d’aquestes que es caracteritza per tenir la mateixa entrada i sortida. D’aquesta manera, els Autoencoders aprenen a descobrir els patrons subjacents en dades molt esparses. Tots aquests models s’implementen utilitzant dos marcs de programació: Keras i Tensorflow per a R. Es mostra empíricament que un enfocament híbrid que combina aquests models amb altres motors de filtratge proporciona una solució prometedora en comparació amb un recomanador que utilitza exclusivament Filtratge Col·laboratiu. D’altra banda, s’analitzen els sistemes de recomanació des d’un punt de vista econòmic, emfatitzant especialment el seu impacte en empreses de comerç electrònic. S’analitzen els sistemes de recomanació desenvolupats per quatre empreses pioneres del sector així com les tecnologies front-end en què s’implementen. En concret, s’analitza el seu ús en chatbots, programes informàtics de missatgeria instantània que, a través de la Intel·ligència Artificial simulen la conversa humana. Per tancar el projecte, es desenvolupa un chatbot propi implementat en una aplicació de missatgeria instantània i connectat a una empresa de comerç electrònic, capaç de donar recomanacions als usuaris fent ús del sistema de recomanació híbrid dut a terme.