Arquitectura con recomendación en cliente o baja carga en servidor

Ejemplo: escenario concurrente con recomendador en cliente

Un escenario similar al anterior se plantea dentro de una red como Internet en la que se realice distribución de vídeo y en la que haya una alta concurrencia de usuarios, provocando esto que la carga computacional en el servidor deba ser reducida. De esta forma, no se excluyen las técnicas de recomendación social, pero es necesario pensar alternativas al filtrado colaborativo, debido a su alto coste de recursos. Una posible arquitectura se muestra en la Fig. 4

Dado que el escenario está más adaptado a una mayor interacción del usuario, se contempla la posibilidad de recoger también información explícita de las preferencias, tales como valoraciones de los usuarios sobre los contenidos consumidos. De esta forma, se podrían utilizar valoraciones explícitas cuando estas existan, pero se emplearía el sistema de inferencia de interés a partir del consumo para caracterizar el gusto de los usuarios sobre el resto de contenidos consumidos, de tal forma que no sea necesaria la participación activa del usuario para el funcionamiento del recomendador, y

esto solo sea una opción más. Como se ha comentado en capítulos precedentes, es importante no forzar al usuario a realizar determinadas interacci

supeditar el funcionamiento del sistema a estas interacciones. Por esta razón, se concluye que el modelo híbrido es el más interesante, ya que además permite ajustar mediante la información explícita ciertos parámetros del módulo de

interés, y comprobar la eficiencia de su funcionamiento al comparar los resultados de ambas vías de extracción de interés.

Debido a la peculiaridad señalada

inteligencia del recomendador está en la parte cliente, que ya no se limita solamente a una captura de la información. Sin embargo, resulta interesante no prescindir totalmente del servidor, con el fin de no

por el “colectivo social”.

De este modo, se plantea como solución utilizar un

estereotipos inferidos de una muestra de población estadísticamente elegida, a la mane de un panel de audimetría. Sobre esta muestra de usuarios, se relacionarían sus consumos con las características de los contenidos, con lo que se obtendría una relación entre estereotipos y sus características.

Así, en el cliente, además de toda la par

se puede realizar una caracterización de los usuarios y sus preferencias utilizando estos estereotipos. También quedaría en el cliente el motor de recomendación en sí, que se basaría fundamentalmente en conten

través de la metodología de los estereotipos, con el fin de obtener una recomendación final más fiable y certera. Además, el recomendador basado en contenido podría ser más desarrollado y ampliarse a cualq

21

esto solo sea una opción más. Como se ha comentado en capítulos precedentes, es importante no forzar al usuario a realizar determinadas interacciones y, desde luego, no supeditar el funcionamiento del sistema a estas interacciones. Por esta razón, se concluye que el modelo híbrido es el más interesante, ya que además permite ajustar mediante la información explícita ciertos parámetros del módulo de

interés, y comprobar la eficiencia de su funcionamiento al comparar los resultados de ambas vías de extracción de interés.

Fig. 4. Arquitectura en un escenario concurrente

Debido a la peculiaridad señalada sobre los requisitos computacionales

inteligencia del recomendador está en la parte cliente, que ya no se limita solamente a una captura de la información. Sin embargo, resulta interesante no prescindir totalmente del servidor, con el fin de no perder la información derivada de la inteligencia aportada

De este modo, se plantea como solución utilizar un clustering de usuarios mediante estereotipos inferidos de una muestra de población estadísticamente elegida, a la mane de un panel de audimetría. Sobre esta muestra de usuarios, se relacionarían sus consumos con las características de los contenidos, con lo que se obtendría una relación entre estereotipos y sus características.

Así, en el cliente, además de toda la parte de recogida y modelado de datos de consumo, se puede realizar una caracterización de los usuarios y sus preferencias utilizando estos estereotipos. También quedaría en el cliente el motor de recomendación en sí, que se basaría fundamentalmente en contenido, pero que emplearía la parte social descrita a través de la metodología de los estereotipos, con el fin de obtener una recomendación Además, el recomendador basado en contenido podría ser más desarrollado y ampliarse a cualquier tipo de contenido, ya que el uso de Internet esto solo sea una opción más. Como se ha comentado en capítulos precedentes, es ones y, desde luego, no supeditar el funcionamiento del sistema a estas interacciones. Por esta razón, se concluye que el modelo híbrido es el más interesante, ya que además permite ajustar mediante la información explícita ciertos parámetros del módulo de inferencia de interés, y comprobar la eficiencia de su funcionamiento al comparar los resultados de

sobre los requisitos computacionales, la mayor inteligencia del recomendador está en la parte cliente, que ya no se limita solamente a una captura de la información. Sin embargo, resulta interesante no prescindir totalmente perder la información derivada de la inteligencia aportada

de usuarios mediante estereotipos inferidos de una muestra de población estadísticamente elegida, a la manera de un panel de audimetría. Sobre esta muestra de usuarios, se relacionarían sus consumos con las características de los contenidos, con lo que se obtendría una relación

te de recogida y modelado de datos de consumo, se puede realizar una caracterización de los usuarios y sus preferencias utilizando estos estereotipos. También quedaría en el cliente el motor de recomendación en sí, que se ido, pero que emplearía la parte social descrita a través de la metodología de los estereotipos, con el fin de obtener una recomendación Además, el recomendador basado en contenido podría ser más uier tipo de contenido, ya que el uso de Internet

facilitaría el acceso a metadatos más complejos o extraídos previamente del contenido, según la caracterización que se desarrolla en el capítulo 5 de esta tesis.