Recomendación a grupos de usuarios usando el concepto de singularidades

Resum

Los sistemas de recomendación son sistemas inteligentes que brindan recomendaciones personalizadas a sus usuarios. Estos sistemas ayudan a mitigar parte del problema de sobrecarga de información. El éxito de un sistema de recomendación depende de su algoritmo de filtrado, puesto que este bloquea la información que resulta irrelevante para el usuario. El filtrado colaborativo es un algoritmo que emite recomendaciones a los usuarios mediante la recopilación de las preferencias de una enorme comunidad de usuarios. Este tipo de filtrado ha demostrado proporcionar recomendaciones más precisas que otros métodos. Las técnicas de filtrado colaborativo más populares son: el algoritmo de los K Nearest Neighbors (KNN) y el modelo Matrix Factorization. Las principales ventajas del filtrado colaborativo son su capacidad para generar recomendaciones novedosas y no requerir información personal de los usuarios. Esta tesis se centra en el gran desafío de extender el diseño de un sistema de recomendación basado en filtrado colaborativo que proporciona recomendaciones a grupos de usuarios sobre productos o servicios que satisfagan a todo el grupo. Los sistemas de recomendación a grupos de usuarios se enfrentan a desafíos como: diversidad de grupos (homogéneos y heterogéneos), negociación entre miembros para la decisión final (decision-making), la explicación de las recomendaciones grupales y la estandarización de su evaluación. Los métodos con los que se miden los resultados no son universales debido a varios factores como: políticas de recomendación, tamaños y distribuciones de los grupos, etc. Actualmente, la tendencia en sistemas de recomendación para grupos de usuarios es desarrollar nuevos enfoques basados en KNN o modelos basados en Matrix Factorization. Existen cuatro tipos de enfoques KNN reconocidos en el estado del arte de acuerdo con su enfoque de agregación: fusión de recomendaciones, agregación de predicciones individuales, intersección de vecindarios y agregación de preferencias de usuarios. Los enfoques de agregación de preferencias son los que mejores resultados actualmente ofrecen en accuracy y en tiempos de ejecución, debido a que se ha demostrado que cuanto antes se unifique la información de los usuarios del grupo, más eficiente será el cálculo de las recomendaciones sin que la calidad de estas se vea afectada. En esta tesis se propone un método de recomendación a grupos de usuarios mediante filtrado colaborativo basado en KNN, utilizando un enfoque de agregación de preferencias (related users) que se apoya en la generalización del concepto de singularidad. La idea subyacente es la siguiente: dos usuarios son similares si presentan votos singulares en común; por ejemplo, ambos usuarios generalmente escuchan una canción impopular y ambos otorgan un voto bajo. Usando el mismo razonamiento: si un grupo de usuarios comparte votos singulares con otro usuario, es muy probable que sea un vecino adecuado. La condición de singularidad es menos probable que ocurra en la recomendación a grupos (por ejemplo, un grupo de amigos a los que les gusta una película muy poco popular). Esta menor probabilidad nos ayuda a elegir vecinos que se ajusten a las preferencias del grupo. Bajo esta premisa, proponemos la medida de similaridad para grupos de usuarios SMGU. Esta medida de similaridad combina información numérica y no numérica. La información numérica se pondera atendiendo a la singularidad de los votos de los miembros del grupo. La información no numérica puede considerarse valiosa para hacer coincidir las preferencias del grupo con las preferencias de los vecinos. Los experimentos se han ejecutado usando conjuntos de datos públicos de sistemas de recomendación. En comparación con los baselines representativos de sistemas de recomendación a grupos de usuarios, los resultados muestran mejoras de calidad de predicción y recomendación cuando se utiliza el método propuesto. Se proporciona una sección dedicada a la cuestión de la reproducibilidad de los experimentos.