U-TAD / EMPRESA DESTACADA Nuevos retos en Sistemas de Recomendación Spotify y Net ix sabe cuáles son tus gustos... ¿te has preguntado la magia que hay detrás para acertar tanto con sus recomendaciones? Los sistemas de recomendación son sistemas inteligentes que proporcionan recomendaciones personalizadas a los usuarios. Además de la indudable utilidad comercial de los sistemas de recomendación, éstos han despertado un merecido interés desde un punto de vista cientí co, ya que plantean nuevos retos que han llevado al desarrollo de técnicas innovadoras en el campo de Machine Learning y Data Mining. El tipo de sistemas de recomendación que mejores resultados reporta es el denominado ltrado colaborativo. Estos sistemas realizan recomendaciones utilizando únicamente la información correspondiente a la valoración que los usuarios hacen sobre los productos, bien sean implícitas (el usuario emite una votación) o explicitas (la votación se in ere analizando el comportamiento del usuario). Los sistemas de recomendación basados en ltrado colaborativo imitan el proceso a través del cual las personas se comportan cuando quieren recibir una recomendación: general- mente, si un individuo desea recibir recomendaciones, pregunta a otras personas con las que comparte intereses en común su opinión acerca de un conjunto determinado de productos. Esta es la idea que subyace a los algoritmos de ltrado colaborativo para propor- cionar las recomendaciones: comparan las preferencias de miles de usuarios con las del usuario que desea recibir las recomendaciones para encontrar tendencias o patrones en las votaciones que permi- tan recomendar productos novedosos al usuario. Los sistemas de recomendación basados en ltrado colaborativo se suelen clasi car según el tipo de algoritmo que éstos utilizan para predecir los gustos de los usuarios. Por un lado, encontramos los sis- 23 temas de recomendación basados en el algoritmo de los k vecinos, que realizan las recomendaciones agregando las votaciones de los k usuarios más parecidos a uno dado, sobre aquellos productos que se quieren recomendar. Por otro lado, encontramos los sistemas de recomendación basados en factorización matricial, que calculan las recomendaciones a partir de un modelo matemático inferido a partir de las valoraciones de los usuarios. La idea subyacente de este tipo de algoritmos es que existe un número limitado de facto- res latentes que condicionan las votaciones de los usuarios y que el modelo debe encontrar. A pesar del avanzado nivel de abstracción de esta idea, en realidad es bastante intuitiva. Por ejemplo, en un sistema de recomendación de películas podemos asemejar estos factores latentes a los géneros de cine y lo que hace el algoritmo es identi car la a nidad de cada usuario y película con dichos géneros. Mientras que las recomendaciones proporcionadas por el algo- ritmo de los k vecinos son muy fácilmente justi cables de cara al usuario, las basadas en modelos de factorización matricial son mucho más precisas, pero son más difíciles de explicar por el nivel de abstracción del modelo matemático en el que se basan . Desde U-tad, lideramos la investigación en esta área, desarrollando nue- vos modelos matemáticos que satisfagan la demanda los grandes retos a los que se enfrentan las empresas. • Fernando Ortega, Profesor del Máster en Data Science y Big Data de U-tad. Doctor en Ciencias y Tecnologías de la Computación.