En los Sistemas de
Recomendación existen dos paradigmas para la selección de elementos, basados en
contenido y filtrado colaborativo. En los sistemas basados en contenido el
usuario recibirá información similar a la que ha mostrado interés en el pasado,
mientras en el filtrado colaborativo las sugerencias serán de elementos que han
gustado a gente con intereses similares a los suyos.
En la literatura
existente se describen los Sistemas de
Recomendación basados en Filtrado Colaborativo (FC) como sistemas que trabajan
recogiendo juicios humanos, expresados como votaciones, sobre una serie de
ítems en un dominio dado, y tratan de emparejar personas que comparten las
mismas necesidades o gustos [Herlocker et al. 1999; Pazzani 1999; Adomavicius
and Tuzhilin 2005; Breese et al. 1998].
Los usuarios de un sistema colaborativo comparten sus valoraciones y
opiniones con respecto a los ítems que conocen de forma que otros usuarios
puedan decidir qué elección realizar. A cambio de compartir esta información,
el sistema proporciona recomendaciones personalizadas para aquellos elementos
que pueden resultar interesantes al usuario.
El
proceso básico es hacer un esquema de concordancia entre la información que se
tiene del perfil del usuario actual y los perfiles de otros usuarios que se
tienen almacenados y de cuyas referencias se tiene conocimiento, a esto se le
conoce como “filtrado colaborativo de vecindad más cercana”.
Los algoritmos FC pueden ser
agrupados en dos clases generales [Adomavicius and Tuzhilin 2005; Breese et al.
1998]: los basados en memoria, que se basan en una vecindad completa de
usuarios y sus valoraciones para el cálculo de predicciones [Herlocker et al.
1999; Adomavicius and Tuzhilin 2005], y los basados en modelos, que usan esas
valoraciones para aprender un modelo que será el usado para predecir [Ungar and
Foster 1998; Kim and Yum 2005; Breese et al. 1998]. La información manejada en FC consta de una serie de ítems, usuarios y
valoraciones proporcionada por los usuarios sobre esos ítems: el
espacio del problema viene definido como una matriz de usuarios frente a ítems,
en la que cada celda representa la puntuación de un usuario concreto referida a
un ítem específico.
Resolver un problema típico de FC
implica predecir qué valores tendría un usuario para aquellos ítems que aún no
ha puntuado, basándonos para ello en las valoraciones aportadas anteriormente
por la comunidad de usuarios [Adomavicius and Tuzhilin 2005; Herlocker et al.
1999].
Sistemas
de filtrado
Existen diversas formas de realizar un filtrado
de información, dependiendo del algoritmo de aprendizaje empleado. Según [Vélez
y Santos, 2006] existen dos formas de realizar un filtrado de información:
- Filtrado Colaborativo: se basa en las
calificaciones que realizan los usuarios sobre un dominio.
- Filtrado de Contenido: se basa en el enfoque
tradicional de recuperación de información por palabras claves.
El Filtrado Colaborativo se puede realizar
aplicando diversas formas algorítmicas:
Algoritmo de Horting: Técnica basada en grafos en la
cual los nodos son los objetos y las aristas entre nodos son indicadores de los
grados de similitud entre dos objetos. Las predicciones se producen al recorrer
el grafo entre nodos cercanos y combinando las informaciones entre objetos
cercanos.
Redes Bayesianas de Creencia: Las Redes Bayesianas de
Creencias (RBC) también se conocen como
Redes de Creencias, Redes Probabilísticas Causales, Redes probabilísticas
Gráficas. Una RBC es una red gráfica que representa relaciones probabilísticas
entre variables. Las RBCs permiten razonar bajo incertidumbre y combinar las
ventajas de una representación visual intuitiva con una base matemática en la
probabilidad bayesiana P(A/B) =
P(A,B)/P(B)
Similitud Basada en el Coseno: Esta similitud da una buena
medida del “parecido” de dos vectores en
un espacio multidimensional, el espacio puede describir características de
usuarios o de ítems, tales como palabras
claves. La similitud entre ítems es medida computando el coseno entre el Angulo
entre estos dos, mediante la ecuación:
Redes
Neuronales: Las Redes Neuronales (RN)
proporcionan una forma muy conveniente de representación del conocimiento,
donde los nodos representan objetos del proceso de recuperación de información
como palabras claves y los enlaces representan la asociación ponderada de estos
(relevancia). Las RN aplicadas al filtrado colaborativo son de reciente uso, en
[Nasraoi, 2004], se desarrolla una aplicación
de predicción de URLs que se dan como recomendación a los usuarios, según su
perfil.
Correlación de
Pearson: Es una métrica típica de
similitud entre funciones de preferencias de usuarios o distancias de vectores.
Los vectores comparados coinciden en una escala desde cero (no similares) a uno
(coincidencia total), y -1 (diferencia total)
Desde el
punto de vista científico-técnico, esta propuesta pretende abordar parte de los
retos especificados como mejoras posibles a los mecanismos de filtrado.
Inicialmente, nuestro modelo de sistemas estará basado en la Teoría de Vínculos
Débiles de Granovetter, el cual afirma que el grado de coincidencia entre dos
sistemas individuales varía directamente según la fuerza que los une o vincula
entre sí. Nuestra decisión se fundamenta en el hecho de que la mayoría de los
modelos sistémicos de filtros colaborativos emplean modelos de unión de lazos fuertes.
Otro fallo fundamental de los actuales modelos existentes es que no relacionan
de forma convincente las interacciones a un nivel micro con los modelos de
nivel macro. Estudios estadísticos, al igual que cualitativos, ofrecen una
buena muestra de investigación acerca de este fenómeno.
Referencias:
[Adomavicius and Tuzhilin, 2005] Adomavicius, G., and A. Tuzhilin. 2005. Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Ieee Transactions on Knowledge and Data Engineering 17 (6):734-749.
[Herrera-Viedma et. al., 2003] E. Herrera-Viedma, L. Olvera, E. Peis, C. Porcel. 2003. Revisión de los sistemas de recomendaciones para la recuperación de información. Tendencias de investigación en organización del conocimiento. Trends in knowledge organization research, José Antonio Frías, Ed. Críspulo Travieso, Universidad de Salamanca, 507-513.
[Herlocker et al. 1999] Herlocker, J. L., J. A. Konstan, A. Borchers, and J. Riedl. 1999. An algorithmic framework for performing collaborative filtering. In Sigir'99: Proceedings of 22nd International Conference on Research and Development in Information Retrieval, edited by M. Hearst, F. Gey and R. Tong. New York: Assoc Computing Machinery, 230-237.
[Ungar and Foster, 1998] Ungar, L. H., and D. P. Foster. 1998. Clustering Methods for Collaborative Filtering. Paper read at Proceedings of the Workshop on Recommendation Systems.
[Velez & Santos, 2006] Velez, O., C. Santos. 2006. Sistemas Recomendadores: Un enfoque desde los algoritmos genéticos. Industrial data, año/vol 9, número 001. Universidad Nacional Mayor Dan Marcos, Lima, Perú. 23-31.
.jpg)
