Elecci´ on del mecanismo de recomendaci´ on

Despu´es del an´alisis de los beneficios y desventajas de cada uno, se realiz´o un peque˜no trabajo de desarrollo, para evaluar la viabilidad del sistema escogido y as´ı tener clar- idad que el sistema escogido tendr´a un rendimiento adecuado a la hora de integrarlo con la aplicaci´on m´ovil y los dispositivos Beacons.

3.1.3.1 Estudios previos

Debido a la necesidad de implementar un sistema de recomendaci´on que trabaje en conjunto con una aplicaci´on m´ovil, se escoge como primera opci´on los algoritmos disponibles en Apache Mahout (proyecto de acceso gratuito creado por “Apache Software Foundation”)[50]. Estos algoritmos generan recomendaciones basados en la semejanza entre usuarios, calculando mediante de coeficientes de similitud (Tani- moto (”TanimotoCoefficientSimilarity [51]”), Pearson (”PearsonCorrelationSimilar- ity [52]”), entre otros) usuarios semejantes basados en los productos preferidos por cada uno.

El sistema de recomendaciones basado en mahout (disponible en anexos, en la car- peta ”Primera version sistema recomendacion”) solo necesita el id de usuario y los id de los productos de su preferencia, para generar una recomendaci´on. Al caracterizar los art´ıculos se evidencio que el sistema de recomendaci´on actual no era suficiente, ya que la informaci´on nutricional no era tenida en cuenta; como soluci´on a esto, se dise˜n´o un sistema de recomendaci´on el cual no esta basado en la similitud entre

3.1. An´alisis de los enfoques de recomendaciones 40

usuarios sino en los productos, este sistema se explica a profundidad en la Secci´on 3.3.1 ”Estructura de la recomendaci´on por preferencias” de este cap´ıtulo.

3.1.3.2 Elecci´on final

Despu´es de la exploraci´on de las m´ultiples posibilidades de recomendaci´on, se es- tablece que el mecanismo que puede traer mayores ventajas al estudio es el sistemas de recomendaci´on basado en contenido, esto debido a m´ultiples factores:

• Entre mayor sea la cantidad de productos y mejor sea la descripci´on que se haga a cada uno de ellos, se tendr´an recomendaciones m´as acertadas, lo cual es muy viable a la hora de la realizaci´on, aunque requiere un gran esfuerzo en la tratamiento de datos, existe la disponibilidad de varios medios para conseguir una base de datos abundante.

• Considerando la caracterizaci´on de los datasets abordados en la Secci´on “3.2 Creaci´on de Datasets”, se puede inferir que por medio de la comparaci´on del tama˜no obtenido en cada uno de ellos (ochocientos siete productos clasificados y doscientos quince usuarios), la recomendaci´on basada en contenido brinda mayores beneficios.

• Hay estudios que brindan soporte al sistemas de recomendaci´on basado en contenido a la hora de recomendar nuevos ´ıtems, debido a m´ultiples factores. A continuaci´on se presenta una tabla que que brinda un buen aporte:

En la tabla 3.2 se realiza una comparaci´on entre los sistemas, para esto se dispone de una nomenclatura presentada en la tabla 3.1:

3.1. An´alisis de los enfoques de recomendaciones 41

Nombre Nomenclatura

Desaf´ıos pendientes DPD

Basado en contenido BCT

Filtrado colaborativo FCT

Consciente del contexto CCT

Demograficos DMF

Basado en conocimiento BCM

Consciente de la confianza CCF

Tabla 3.1: Tabla nomenclatura. Basado de [53]

DPD BCT FCT CCT DMF BCM CCF OBSERVACIONES

Nuevo item _X x _X x _X x El filtrado colaborativo y la confianza consciente sobresalen en aplicaciones donde el conjunto de elementos es estable

o semiestable. Nuevo

usuario

x x x x _X x El nuevo usuario basado en contenido es m´as problem´atico que el filtrado

colaborativo. Grandes

datos hist´oricos

x x _{X X X X} El filtrado colaborativo es m´as exigente para grandes datos hist´oricos.

Limitaci´on de contenido

x _{X X X X X} Basado en contenido es bueno para las recomendaciones basadas en texto, pero

ineficiente para elementos no estructurados como pel´ıculas y m´usica.

3.1. An´alisis de los enfoques de recomendaciones 42

DPD BCT FCT CCT DMF BCM CCF OBSERVACIONES

Limitaci´on de contenido

x _{X X X X X} Basado en contenido es bueno para las recomendaciones basadas en texto, pero

ineficiente para elementos no estructurados como pel´ıculas y m´usica. Escasez _X x _{X X X} x El filtrado colaborativo es naturalmente escaso, pero existen algunos algoritmos

como la factorizaci´on de matrices que alivian el problema. Algunos de los algoritmos basados en contenido tambi´en

tienen este problema, como IF-TDF. Dependencia

del usuario

X x _X x _X x Las t´ecnicas h´ıbridas que utilizan informaci´on de contenido pueden superar los problemas de bootstrapping (arranque

en frio). Adquisici´on

de datos

X X x x _{X X} La adquisici´on de datos es la primera cuesti´on para todas las t´ecnicas, pero

para las t´ecnicas de contexto y demogr´aficas es m´as dif´ıcil.

Adquisici´on de conocimiento

X X X X x _X Los m´etodos basados en la restricci´on tienen m´as dificultades para adquirir

conocimientos. X: es problem´atica,_X: no es problem´atico

Tabla 3.2: Estudio sistemas de recomendaci´on. Basado de [53]

Basado en el estudio planteando en esta tabla 3.2, los tipos de datos “nuevo ´ıtem” y “nuevo usuario” tienen un comportamiento problem´atico al trabajar con un fil- trado colaborativo, es decir, si se habla de un nuevo ´ıtem, este producto no ser´a recomendado de forma r´apida, ya que ning´un usuario lo contendr´ıa en su lista, por otra parte, un nuevo usuario no aportar´ıa mucha informaci´on inicial dificultando el proceso de recomendaci´on. El enfoque basado en contenido, aunque tambi´en pre- senta problemas en la integraci´on de nuevo usuario, tiene una mayor adaptabilidad a nuevos productos.

3.1. An´alisis de los enfoques de recomendaciones 43