Nuevos retos en Sistemas de Recomendación
El tipo de sistemas de recomendación que mejores resultados reporta es el denominado filtrado colaborativo. Estos sistemas realizan recomendaciones utilizando únicamente la información correspondiente a la valoración que los usuarios hacen sobre los productos, bien sea implícitas (el usuario emite una votación) o explicita (la votación se infiere). Los sistemas de recomendación basados en filtrado colaborativo imitan el proceso a través del cual las personas se comportan cuando quieren recibir una recomendación: generalmente, si un individuo desea recibir recomendaciones, pregunta a otras personas con las que comparte intereses en común su opinión a cerca un conjunto determinado de productos. Esta es la idea que subyace a los algoritmos de filtrado colaborativo para proporcionar 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 permitan recomendar productos novedosos al usuario.
Fernando Ortega, Profesor del Máster en Data Science y Big Data de U-tad.
Los sistemas de recomendación basados en filtrado colaborativo se suelen clasificar según el tipo de algoritmo que éstos utilizan para predecir los gustos de los usuarios. Por un lado, encontrados los sistemas de recomendación basados 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 de las preferencias de los usuarios. La idea subyacente de este tipo de algoritmos es que existe un número limitado de factores 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 esos factores latentes a los géneros de cine y lo que hace el algoritmo es identificar la afinidad de cada usuario y película con dichos géneros.
Mientras que las recomendaciones proporcionadas por el algoritmo de los k vecinos son muy fácilmente justificables y entendibles de cara al usuario, las basadas en modelos de factorización matricial son mucho más certeras, pero difícilmente justificables. Desde U-tad, lideramos la investigación en esta área para ser capaces de proporcionar nuevos modelos matemáticos que proporcionen recomendaciones precisas y justificables para los nuevos retos que las empresas están necesitando.
