Autor:Dallany Pupo Fernández/ dallany.pupo@ltu.jovenclub.cu
Introducción:
Los sistemas de recomendación (SR) son sistemas inteligentes que estudian las características de los usuarios y mediante el procesamiento de estos datos son capaces de brindar a cada uno su criterio personalizado sobre un tema determinado. Este proceso en el que el sistema guía al usuario en el momento de la elección es de gran utilidad ya que permite el ahorro de tiempo y proporciona datos relevantes a la hora de tomar decisiones. El objetivo de este trabajo es realizar una revisión sobre los SR y los aspectos fundamentales relacionados con los diferentes filtrados que utilizan para ofrecer las recomendaciones.
Las tecnologías de la información y la comunicaciones (TIC) están transformando la manera en la que las personas realizan sus actividades, tal es el caso de las búsquedas de películas, libros, viajes, músicas y otros aspectos de interés personal que frecuentemente realizan los usuarios.
En muchos casos las personas no tienen un conocimiento basto, solo tienen una idea vaga de cómo buscar lo que desean. Estos usuarios, al emplear un sistema de búsqueda se encuentran con una serie de dificultades que les impiden encontrar los elementos relevantes por los cuales iniciaron su búsqueda. Lo ideal sería usar un SR que le brinde al usuario sugerencias personalizadas sobre un determinado objeto de estudio, a partir de las preferencias y opiniones dadas por otros usuarios.
Desarrollo
Con el avance de las TIC y las facilidades que brinda Internet, cada día es más fácil para las personas acceder a los sitios puestos a disposición en cualquier lugar del mundo, en busca de películas, libros, viajes, músicas y otros aspectos de interés personal. Esta facilidad de acceso a distintas fuentes a través de la Web, trae consigo la dificultad de causar una sobrecarga de información al usuario, debido a la cantidad excesiva de resultados que se pueden obtener al poner en práctica determinada búsqueda. Otros problemas suelen ocurrir cuando la búsqueda consume mucho tiempo y el usuario no sabe en realidad cómo buscar lo que desea, es decir, intenta una búsqueda general que implica muchos resultados que no serán relevantes ni los más adecuados para él.
Varias definiciones de Sistemas de Recomendación
Son herramientas cuyo objetivo es asistir a los usuarios en sus procesos de búsqueda de información, ayudando a filtrar los ítems de información recuperados, usando recomendaciones propuestas sobre esos ítems. Dichas recomendaciones se generan a partir de las opiniones proporcionadas por otros usuarios sobre esos ítems en búsquedas previas o bien a partir de las preferencias del usuario objeto de la recomendación (Yager, 2003).
Los sistemas de recomendación son herramientas asistidas por ordenadores para la toma de decisiones que proporcionan a los usuarios suficiente información y los ayudan a encontrar lo que están buscando o sugieren temas en los que pueden estar interesados (Jannach, 2010).
Los SR se han ido consolidando como potentes herramientas para ayudar a reducir la sobrecarga de información a la que nos enfrentamos en los procesos de búsqueda de información. Ayudan a filtrar los ítems de información recuperados, usando distintas técnicas para identificar aquellos ítems que mejor satisfacen las preferencias o necesidades de los usuarios. Las recomendaciones se generan a partir de las opiniones proporcionadas por otros usuarios sobre esos ítems en búsquedas previas, o bien a partir del perfil del usuario (Herrera, Olvera, Peis & Porcel, 2003).
Los sistemas de recomendación se encargan de proporcionar a los usuarios consejos e información personalizada sobre productos o servicios que puedan ser de interés a la hora de tomar una decisión. Este proceso, en el que el sistema guía al usuario a la hora de realizar una elección, puede proporcionar resultados que sean de gran utilidad, ya sea ahorrando tiempo, proporcionando datos relevantes de forma cómoda y fácil, e incluso obteniendo información que permite valorar opciones que de otra forma antes no se habrían contemplado, algo muy apreciado por la mayoría de los usuarios (Castellano, 2007).
Todos los sistemas de recomendación tienen como objetivo ayudar al usuario, realizando una serie de recomendaciones de forma que se simplifique al máximo la búsqueda que el usuario debe realizar, estos sistemas inteligentes estudian las características de los usuarios y mediante el procesamiento de estos datos son capaces de brindar a cada uno su criterio personalizado sobre un tema determinado, existen diferentes formas mediante las cuales estos sistemas proporcionan sus resultados, entre ellos existen los SR con filtrado colaborativo, los no colaborativos o con filtrado basado en contenido, con filtrado demográfico, con filtrado basado en el conocimiento y con filtrado híbrido. Seguidamente se muestra cada una de estas clasificaciones:
SR con filtrado colaborativo
Un SR se dice colaborativo si usa la información conocida sobre las preferencias de otros usuarios para realizar la recomendación al usuario que la precise. Los SR colaborativos identifican usuarios cuyas preferencias sean similares a las de otros usuarios dados y recomiendan a los primeros los elementos que hayan satisfecho a los otros; de esta forma, si dos usuarios U1 y U2, comparten el mismo sistema de valores y al usuario U1 le ha satisfecho un ítem i, probablemente este ítem también satisfaga al usuario U2 por lo que debería recomendárselo. Por ello, en estos SR la definición de medidas de similitud entre preferencias es un punto crítico. La situación puede ser representada como una matriz de usuarios e ítems, donde cada celda representa la valoración de un usuario con respecto a un ítem concreto. Así visto, el problema consiste en predecir valores para las celdas que estén vacías (Yager, 2003). También llamados sistemas de recomendación sociales. (Seguido, 2009).
Los SR con filtrado colaborativo brindan las recomendaciones a los usuarios basándose en la idea de que a un usuario le gustará un elemento si a otros usuarios con gustos parecidos les gustó, este tipo de sistemas busca un grupo de usuarios con preferencias similares a las del usuario al que se le desea realizar las recomendaciones, combina esas preferencias y realiza la predicciones o sugerencias al usuario.
SR con filtrado basado en contenido
Los SR no colaborativos realizan las recomendaciones usando únicamente las preferencias del usuario activo y los atributos de los ítems a recomendar. Estos sistemas usan correlaciones entre ítems para identificar los asociados frecuentemente a un ítem por el que el usuario ha mostrado interés y por tanto recomendárselos (Yager, 2003).
Generan recomendaciones equiparando las preferencias del usuario (expresadas por éste de forma implícita o explícita) con las características utilizadas en la representación de los ítems ignorando la información relativa de otros usuarios. En otras palabras, se le recomendará al usuario un ítem similar al que el mismo usuario haya elegido anteriormente. Por ejemplo, si un usuario es afín a los libros de historia, el sistema centrará sus recomendaciones en cualquier libro etiquetado con el tema de historia (Seguido, 2009).
Al usuario se le recomendarán ítems parecidos a aquellos que eligió anteriormente; muchos sistemas basados en contenido se centran en la recomendación de ítems contenedores de información textual. Estas técnicas utilizan perfiles con información relativa a los usuarios, sus gustos, preferencias y necesidades (Mooney & Roy, 2000).
Los SR con filtrado basado en contenido muestran las sugerencias al usuario según sus elementos de preferencia, este proceso de filtrado realiza una comparación entre estos elementos para así mostrar la recomendación lo más cercana posible a sus gustos, es decir, recomienda al usuario un elemento similar a otro que ya haya elegido antes. Estudia el perfil del usuario basándose en las características de los elementos que él mismo ha solicitado y ofrece las recomendaciones de acuerdo a su perfil.
SR con filtrado demográfico
Clasifican a los usuarios de acuerdo a su perfil y hacen las recomendaciones basándose en clases demográficas (Burke, 2002). Las recomendaciones demográficas son similares a las recomendaciones basadas en el contenido con la excepción de que las similitudes están calculadas a partir de la utilización de información demográfica en lugar de valoraciones de los ítems (Ahn, 2008).
Clasifican a los usuarios en grupos demográficos basándose en ciertos atributos personales cuya información previamente se ha recolectado, y proporcionan recomendaciones potencialmente interesantes para cualquier persona perteneciente a dicho grupo demográfico (Pazzani, 1999).
Los SR con filtrado demográfico realizan las recomendaciones teniendo en cuenta la clasificación que tiene el usuario según su información personal, estos sistemas agrupan a los usuarios de acuerdo a la edad, sexo, profesión y otras características en función de ofrecer recomendaciones atrayentes para los usuarios que pertenezcan al mismo grupo.
SR con filtrado basado en el conocimiento
Los sistemas de recomendación basados en el conocimiento pretenden profundizar en el conocimiento sobre los usuarios y los ítems -mayoritariamente de domino complejo- para la elaboración de recomendaciones que encajen de forma adecuada con los requisitos del usuario. Un caso de dominio complejo pueden ser los servicios financieros o cámaras digitales en donde no es suficiente con establecer propiedades del ítem o producto, sino que se tienen que tener en cuenta otros aspectos como pueden ser la experiencia o expectativas del usuario en el dominio a tratar por el sistema de recomendación (Seguido, 2009).
Las sugerencias de los ítems se basan en inferencias sobre las necesidades de los usuarios y sus preferencias. Para ello se utiliza conocimiento en donde se tiene información sobre cómo un ítem específico responde a una necesidad en particular del usuario y, por lo tanto, la razón sobre la relación entre la necesidad y una posible recomendación (Burke, 2002).
A partir del conocimiento sobre los usuarios y los productos se persigue un razonamiento que indique qué producto cumple los requerimientos del usuario, dejando a un lado valoraciones que el usuario pueda hacer (Burke, 2000).
Los SR con filtrado basado en el conocimiento profundizan en el conocimiento sobre los usuarios y sus elementos de preferencias, analizan la información acerca de cómo un elemento compensa las necesidades de los usuarios y establece relación entre esas necesidades y las recomendaciones, mientras más información se tenga sobre las necesidades del usuario, más precisas serán las recomendaciones y más se ajustarán a sus gustos.
SR con filtrado híbrido
Los sistemas de recomendación híbridos combinan diferentes métodos de recomendación, o bien para eliminar problemas específicos de un sistema en concreto, o para aumentar la precisión de las recomendaciones. Típicamente los sistemas de recomendación de filtro colaborativo son combinados con otros sistemas de recomendación para paliar el problema del arranque en frío. No obstante, los otros sistemas de recomendación también pueden ser combinados (Seguido, 2009).
Este tipo de sistema surgió con el objetivo de solventar algunos problemas presentados por los sistemas anteriores ante algunas situaciones. Para ello se realizan combinaciones entre dos o varias de las diferentes técnicas de funcionamiento anteriores (Li, 2005).
Los SR con filtrado híbrido se basan en la combinación de diferentes SR para realizar las recomendaciones a los usuarios, su enfoque es distinto a los demás ya que añade complejidad al sistema de búsqueda y maximiza la eficiencia de los resultados mostrados a los usuarios.
Resultados y discusión
El resultado de este trabajo refleja que existe una manera de facilitar la búsqueda de los usuarios y es precisamente haciendo uso de los SR, estos sistemas se encargan de brindar a los usuarios sugerencias e información personalizada sobre películas, libros, viajes, música y otros aspectos de interés. Este proceso en el que el sistema guía al usuario en el momento de la elección es de gran utilidad ya que permite el ahorro de tiempo y proporciona datos relevantes a la hora de tomar decisiones. Por lo general, los SR realizan sus recomendaciones teniendo en cuenta los perfiles de preferencias de los usuarios, información demográfica, comportamiento, etc. En la actualidad existen diferentes tipos de sistemas de recomendación, todos realizan de forma diferente las sugerencias a los usuarios, por tanto, se debe estudiar y comprender el funcionamiento de cada uno para, en dependencia de la situación o medio en los que se quiera aplicar un SR, elegir el más adecuado a implementar.
Ejemplo de Sistemas de Recomendación (Barroso, 2008)
- Claypool et al. presentan P-Tango [Claypool99], un sistema híbrido con pesos ponderados utilizado en un periódico al que los usuarios acceden a través de Internet. Dicho sistema utiliza filtrado colaborativo y recomendación basada en contenidos.
- DailyLearner [Billsus00] es un sistema híbrido de recomendación que utiliza filtrado colaborativo y recomendación basada en contenidos. Primero aplica la técnica de recomendación basada en contenidos y si ésta no obtiene unos resultados con suficiente grado de confianza, entonces utiliza el filtrado colaborativo.
- El sistema PVT [Smyth00] utiliza esta propuesta para recomendar programas de televisión utilizando recomendación basada en contenidos sobre las descripciones textuales de los programas de televisión y un filtrado colaborativo sobre las preferencias de otros usuarios.
- En [Taschuk07] se presenta un sistema de recomendación híbrido en cascada basado en el conocimiento y en los contenidos llamado Bluejay Genomic Browser. En este sistema, las recomendaciones se realizan en función de los intereses investigadores del usuario teniendo en cuenta las anotaciones realizadas sobre los grandes volúmenes de información que maneja.
- También, se puede combinar información entre dos técnicas de tal manera que la salida de ellas sea la entrada de la siguiente. Semeraro et al. presentan un sistema híbrido que utiliza la combinación del filtrado colaborativo y los perfiles de usuario inferidos a través de métodos basados en contenidos [Semeraro05]. El valor añadido está en la existencia de información adicional en los perfiles de usuario. En [Rutledge08] se presenta como combinar el filtrado colaborativo con una recomendación basada en contenidos especial llamada “recomendación basada en contenidos con los roles invertidos”.
Conclusiones
Según el proceso de filtrado en que se basan estos sistemas para generar las recomendaciones, se pueden clasificar en: los SR con filtrado colaborativo, estudian la similitud entre usuarios; los no colaborativos o con filtrado basado en contenido, los que determinan la similitud entre elementos; con filtrado demográfico, los que utilizan información demográfica obtenida de los perfiles de los usuarios; con filtrado basado en el conocimiento, que se apoyan en deducciones sobre las necesidades de los usuarios y sus preferencias y por último la utilización de sistemas híbridos, que combinan varios sistemas de recomendación con filtrado específicos.
Referencias bibliográficas:
Adomavicius, G. & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions.
Ahn, H. J. (2008). A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem, Information Sciences.
Barroso, M. (2008). . Tesis Creación de entornos adaptativos móviles: recomendación de actividades y generación dinámica de espacios de trabajo basadas en información sobre usuarios, grupos y contextos. Capítulo 2 Estado del Arte. Universidad Rey Juan Carlos [online]. Recuperado el el 07 de septiembre de 2015, de http://www.escet.urjc.es/~emartin/investigacion/Tesis/Def-2-EA.pdf .
Burke, R. (2000). Knowledge-based Recommender Systems.
Burke, R., (2002). Hybrid recommender systems: Survey and experiments. User Modeling and User-Adapted Interaction.
Castellano, E. (2007). Evaluación del uso de algoritmos colaborativos para orientar académicamente al alumnado en Bachillerato.
Herrera, E., Olvera, L., Peis, E. & Porcel, C. (2003). Revisión de los sistemas de recomendaciones para la recuperación de información. Tendencias de investigación en organización del conocimiento, Universidad de Salamanca.
Jannach, D., et al. (2010). Recommender Systems: An Introduction 2010: Cambridge University Press.
Li, Y. et al. (2005). A hybrid collaborative filtering method for multiple-interests and multiple-content recommendation in E-Commerce.
Mooney, R. & Roy, L. (2000). Content-based book recommending using learning for text categorization.
Pazzani, M. J. (1999). A framework for collaborative, content-based and demographic filtering.
Schafer, J., et al. (2007). Collaborative Filtering Recommender Systems, in The Adaptive Web.
Seguido, M. (2009). Sistemas de recomendación para webs de información sobre la salud.
Vellino, A & Zeber, D. (2007). A Hybrid, Multi-dimensional Recommender for Journal Articles in a Scientific Digital Library.
Yager, R.R. (2003). Fuzzy Logic Methods in Recommender Systems. Fuzzy Sets and Systems.