Estrategias de generación de recomendaciones

La subtarea de la generación de recomendaciones es la subtarea en la que mayor hincapié se ha hecho a lo largo del tiempo y como resultado se han producido un gran número de técnicas. En la literatura [6, 17, 90] se clasifica principalmente a dichas técnicas en tres enfoques:

Agregación de perfiles: consiste en obtener el perfil grupal a partir de téc-

nicas de agregación de los perfiles individuales de los miembros del grupo con el objetivo de estimar los datos del perfil del grupo [21] y buscando que dicho perfil grupal represente al grupo como un todo. Existen varias formas de agregar perfiles, y en la mayoría de los casos el método de agregación a elegir depende de los datos que contienen los perfiles de usuario. Así, tal como se muestra en el ejemplo de la Figura 2.2, para una recomendación de películas donde el perfil de usuario sólo contiene datos sobre el sexo y la edad del mismo, el perfil gru- pal contendrá los mismos tipos de atributos pero con valores agregados. Para la edad se podría utilizar el promedio como técnica de agregación (la edad del perfil grupal se construye calculando el promedio de la edad de los miembros del grupo); y para el sexo, dado que no es un atributo cuantitativo y por ende el promedio no es aplicable, se podría utilizar mayoría (el sexo del grupo es el sexo de la mayoría de los miembros).

Figura 2.2: Agregación de perfiles. Estrategias: mayoría para el atributo “Sexo”,pro- medio para el atributo “Edad” (se aplicó la función techo para eliminar la parte deci-

mal)

Agregación de preferencias individuales:se basa en la creación de un usua-

rio virtual que representa al grupo, cuyas preferencias resultan de la agregación de las preferencias de sus miembros. Una vez definidas las preferencias grupales (estimadas mediante agregación) es posible asignárselas al usuario virtual que representa al grupo y luego hacer uso de los sistemas de recomendación tra- dicionales, aquellos que sólo permiten generar recomendaciones para usuarios

2.1 Sistemas de recomendación

individuales, para obtener la recomendación grupal. Un ejemplo de agregación de preferencias individuales se presenta en la Figura 2.3.

Por ejemplo: si el grupo está compuesto por 3 usuarios y se quiere calcular el rating del ítem según ese grupo, se obtiene el rating asignado por cada uno de los miembros del grupo a ese ítem (si el usuario no asignó un rating al ítem, se predice el mismo ) y se utiliza alguna técnica de agregación.

Figura 2.3: Ejemplo de agregación de preferencias usando la técnica de agregación

promedio. (*) Dado que los usuariosu1 yu3 no votaron el ítem item6, se debe estimar

el rating de ese ítem para los mencionados usuarios antes de calcular el promedio.

Agregación de recomendaciones: este enfoque consiste en generar recomen-

daciones individuales para cada miembro del grupo y luego realizar una agre- gación de recomendaciones para estimar las recomendaciones para el grupo [6]. En la Figura 2.4 se muestra un ejemplo en el cual una recomendación grupal se genera combinando recomendaciones individuales generadas para cada miembro del grupo.

El enfoque a utilizar es elegido dependiendo del contexto en el cual se realizan las reco- mendaciones y de la información disponible. El primer enfoque (agregación de perfiles) resulta especialmente útil cuando se realizan recomendaciones en base a información demográfica (por ejemplo: ciudad de residencia, edad, sexo, etc.) y se tiene poca (o ninguna) información respecto a las preferencias de los usuarios. El segundo (agrega- ción de preferencias), por el contrario, resulta útil cuando no se dispone de información demográfica pero sí de información relativa a las preferencias de los usuarios. Final- mente, el tercer enfoque (agregación de recomendaciones) es independiente de ambos tipos de información pero depende de que otra técnica de recomendación haya sido capaz de realizar recomendaciones (resultando necesaria la información demográfica, o de preferencias, o ambas). A pesar de sus diferencias, todos los enfoques tienen un punto en común: en algún momento hacen uso de una estrategia de agregación para

Figura 2.4: Agregación de recomendaciones

combinar información. Dependiendo de cuál sea el enfoque y sobre qué datos se necesi- te aplicar la agregación se utilizarán distintas técnicas. Las más conocidas, descriptas en la literatura [6, 17], son:

Promedio (o average): es únicamente aplicable a datos cuantitativos (por

ejemplo: ratings y edades). En esta estrategia, el valor agregado de un elemento (por ejemplo el rating de un ítem) para un grupo se calcula como el promedio de los valores de ese elemento para los miembros del grupo. En el ejemplo de la Figura 2.5, si se utilizara promedio, el rating grupal para el ítem i2 sería 8,7, y

la lista ordenada de ítems de acuerdo al rating grupal sería < i2, i3, i1, i4, i5 >.

Figura 2.5: Elección del rating grupal para un ítem siguiendo la estrategia “Promedio”

Promedio pesado (oweighted average): esta estrategia es igual a Promedio

pero en vez de hacer un promedio normal hace un promedio utilizando los valores de prioridad asociados a los miembros de grupo (normalmente expresada como un valor entre 0 y 1, o en una escala que pueda normalizarse a dichos valores). En el ejemplo de la Figura 2.6 puede observarse que, si se utilizara la técnica de agregación promedio pesado, la lista ordenada de ratings de acuerdo al rating grupal sería < i3, i1, i2, i5, i4 >

2.1 Sistemas de recomendación

Figura 2.6: Elección del rating grupal para un ítem siguiendo la estrategia “Promedio pesado”

Minimización de miseria (o least misery): esta estrategia sólo es aplicable

cuando se trabaja con datos cuantitativos. Se basa en la idea de que el grupo será tan feliz como su miembro más infeliz. Por lo anterior, se trata de reducir al mínimo el descontento del miembro más infeliz. Así, si lo que se está agregando son ratings, el rating de un ítem en el perfil de un grupo será igual al mínimo de los ratings de los miembros del grupo para ese ítem. Tal como puede observarse en la Figura 2.7, si se utilizara minimización de miseria, la lista ordenada de ítems sería < i3, i2, i1, i5, i4 >.

Se debe notar que cuando se utiliza esta estrategia para realizar agregación cuanto menor es el valor del dato a agregar, mayor es la influencia del valor agregado. Por lo anterior, el problema de esta estrategia es que las minorías pueden afectar seriamente a la preferencia grupal, ya que por ejemplo (si se agregan ratings): si en un grupo de 4 personas a 3 les gusta mucho un ítem y a uno no le gusta, en el perfil grupal el rating para ese ítem será el del usuario al cual no le gustaba, lo que no representa fielmente el interés grupal.

Figura 2.7: Elección del grupo siguiendo la estrategia “Minimización de Miseria”

Maximización del placer (o, most pleasure): funciona de forma similar a

la estrategia Minimización de miseria, pero en vez de considerar al miembro más descontento del grupo, considera al más contento. Así, cuanto mayor es el valor del dato a agregar, mayor es la influencia del valor agregado. Por ejemplo, de acuerdo a la Figura 2.8, si se utiliza maximización de placer, el rating grupal para el ítem i4 es 10.

Votación de la mayoría (oplurality voting): esta estrategia es mayormente

Figura 2.8: Elección del rating grupal para un ítem siguiendo la estrategia “Maximi- zación de placer”

caso sería necesario usar rangos para producir una agregación representativa puesto que de lo contrario sería prácticamente imposible encontrar la “mayoría”. De acuerdo con esta técnica, el dato agregado es el que más se repite entre el conjunto de datos a agregar. Así, en el ejemplo de la Figura 2.9, la lista ordenada de ítems es < i3, i4, i2, i1;i5 >.

Figura 2.9: Elección del rating grupal para un ítem siguiendo la estrategia “Votación de la mayoría”.

Votación con aprobación (o approval voting): de acuerdo a esta técnica,

el rating grupal se calcula multiplicando el máximo rating que puede darse a un ítem por la proporción de usuarios satisfechos. Un usuario se considera satisfecho si el rating que le dio al ítem es superior a un threshold de aprobación definido

th. En la Figura 2.10 se muestra un ejemplo donde esta técnica de agregación

es utilizada (para el ejemplo se fijóth = 8). Así, el rating grupal para el ítem i2

se calcula como 10∗1/3 = 3.ˆ3, donde 10 es el máximo rating asignable, y 1/3

indica que sólo 1 de los 3 miembros del grupo está satisfecho con el ítem.

Figura 2.10: Elección del rating grupal para un ítem siguiendo la estrategia “Votación con aprobación” (th = 8)

2.1 Sistemas de recomendación