2.1.2. Recomendación a grupos
2.1.2.3. Explicación de recomendaciones
La explicación de recomendaciones es importante porque los sistemas de recomen- dación están afectados por dos problemas. El primero es que son procesos estocásticos (ya que varían permanentemente en el tiempo) y, por lo tanto, pueden producir erro- res sin importar qué tan bien se los haya implementado. El segundo consiste en que los recomendadores son “cajas negras” y dada una recomendación el usuario puede confiar o dudar de la misma ya que no conoce de qué manera el sistema obtuvo dicha recomendación.
Cuando se trabaja con recomendadores grupales la explicación de recomendacio- nes cobra aún más importancia. Dadas las muchas formas en que puede generarse una recomendación para un grupo, y los conflictos de intereses que pueden existir dentro del mismo, es natural que los miembros del grupo deseen entender cómo se llegó a la recomendación que obtuvieron y, en particular, cuán atractivos son los ítems recomen- dados para los otros miembros del grupo [45]. Además, a los problemas mencionados en el párrafo anterior se les agregan los problemas derivados del uso de técnicas de agregación (ya sea para agregar perfiles, preferencias o recomendaciones), algo que no siempre es transparente a los usuarios y que puede generar recomendaciones grupales que no se adecúen a los intereses reales del grupo.
La información que brinde una recomendación puede ser de muchos tipos, depen- diendo del objetivo de la explicación, el cual no siempre es convencer a los integrantes del grupo acerca de aceptar la recomendación entregada. Es decir, que es erróneo pensar que el rol de las explicaciones es siempre el de justificar por qué un ítem fue recomendado. Según Herlocker [39, 40], el objetivo de la explicación de las recomenda- ciones es entonces hacer frente a los problemas mencionados, ayudando a incrementar la confianza, mejorando la performance de la toma de decisiones y, por sobre todas las cosas, otorgando transparencia a los usuarios. La explicación puede ayudar a los usuarios tanto a entender el proceso de recomendación del sistema como a conocer las virtudes y los defectos del mismo. Adicionalmente, el hecho de poder solicitar una explicación proporciona un mecanismo para el manejo de errores que son inevitables al generar una recomendación.
De acuerdo con [115] las explicaciones pueden servir a múltiples propósitos. Por ejemplo, si lo que se busca es exponer el razonamiento y los datos detrás de la recomen- dación, tal como hacen las plataformas de comercio electrónico (por ejemplo: Amazon3,
Ebay4, Mercadolibre5, entre otros) al decir “Los clientes que compraron este artículo
también compraron ...” o plataformas como Spotify6 cuando dicen “Te recomendamos
estas canciones del cantante X porque previamente escuchaste canciones del mismo cantante”, entonces el propósito de las explicaciones es incrementar la transparencia.
Si lo que se busca es explicar al usuario porqué desearía o no un determinado ítem, por ejemplo diciendo“Creemos que el ítem X (no) te gustará porque...”, la explicación
3http://www.amazon.com 4http://www.ebay.com/ 5http://www.mercadolibre.com 6http://www.spotify.com
contribuye a mejorar la efectividad de las recomendaciones. Además de las dos moti-
vaciones mencionadas, de acuerdo a lo explicado en [29] y en[115], otros de los posibles objetivos (o motivaciones) que persigue una explicación de recomendaciones, son:
Confianza: si lo que se busca es incrementar la confianza del usuario en el sistema. Eficiencia: cuando la explicación intenta ayudar al usuario a tomar decisiones
de forma más rápida.
Persuasión: está vinculado a convencer al usuario de aceptar la sugerencia (ya
sea intentando hacer algo, comprar algo, etc.).
Satisfacción: cuando se busca incrementar el nivel de diversión del usuario al
usar el sistema y la facilidad de uso del mismo (usabilidad).
Escrutabilidad: si permite al usuario informarle al sistema acerca de un error en
la predicción realizada.
Además de las motivaciones que hacen a la explicación de recomendaciones necesaria, se deben tener en cuenta los estilos de explicación a utilizar, es decir, la forma en que la explicación es presentada al usuario y la información que ésta contiene. Ciertos tipos de explicaciones resultan más fáciles de generar que otros, ya sea por el tipo de expli- cación (el cual dependerá de la motivación de la misma), o porque se puede disponer fácilmente de toda la información necesaria para generarla, entre otros factores. Es por esto que en la literatura es posible encontrar taxonomías que clasifican las explicacio- nes tanto con respecto a su contenido y a la forma en que presentan la información, como respecto a la técnica utilizada para generar las recomendaciones. Por ejemplo, en [78] se muestra una taxonomía que clasifica a los sistemas de recomendación según el estilo de explicación dada:
estilo humano: “Los usuarios que compraron/votaron el ítem X también com-
praron/votaron los ítems Y, Z,...”,
estilo ítem: “El ítem Y te fue recomendado porque votaste/compraste el ítem
X”,
estilo característica (feature): “ (al comprar un smartphone) También te reco-
mendamos los siguientes productos porque también son más baratos, pero tienen menor resolución de pantalla”,
estilos híbridos (combinan algunos de los estilos anteriores): “Te recomendamos
el ítem X porque contiene las características a,b, ..., las cuales están incluídas en los ítems Z, W,... que votaste previamente” (combina los estilos basados en ítem y en features).
Por otro lado en [113] los autores hablan sobre la influencia que tienen sobre las explicaciones tanto la presentación de las recomendaciones como la interacción entre el usuario y el SR. Según los autores, la forma en que se presenta una recomendación
2.1 Sistemas de recomendación
puede mostrar cuán bueno o relevante se considera que es un ítem para un usuario y, en consecuencia, la explicación estará ligada a dicha presentación. En base a esto los distintos estilos de explicaciones pueden ser:
mejor ítem (ejemplo de explicación: “Has mirado muchas películas últimamente,
y particularmente del género Drama. Esta es la película reciente más popular en ese género”),
losN mejores ítems (ejemplo: “Has mirado muchos partidos de fútbol y progra-
mas de cocina, por lo tanto puede que te interese el partido entre X e Y y el programa de cocina Z”),
ítems similares a los que el usuario haya votado (ejemplo: “Dado que te interesó
el libro Y, puede que te interesen estos libros del mismo autor”),
ratings predichos (ejemplo: “Este es un programa de deportes, pero es hockey y
podría no agradarte”),
resúmenes estructurados (ejemplo: “[estos smartphones] ... son más baratos, pero
tienen menor resolución de pantalla y cantidad de memoria RAM”).
Adicionalmente se menciona que las explicaciones pueden clasificarse en función del algoritmo usado para generar las recomendaciones. Teniendo esto en cuenta, las expli- caciones se clasifican en:
basadas en información colaborativa: “A las personas que les gustó X también
les gustó Y”,
basadas en contenido: “Te recomendamos X porque dijiste que te gustaba Y”, basadas en preferenicas: “Tus intereses sugieren que podría gustarte X”.
En [115], los autores vuelven a mencionar que el algoritmo subyacente del SR influencia hasta un cierto punto los tipos de explicación que pueden generarse. La taxonomía propuesta puede verse como un refinamiento de la propuesta en [113] y, al igual que la de dicho artículo, clasifica a los sistemas de recomendación según el estilo de explicación que brindan (el cual, según explican los autores, es en cierta forma dependiente del tipo de algoritmo que usa el motor de recomendación). Estos estilos son:
basado en casos: “Una lista de películas similares a las que el usuario ha asignado
un rating algo en el pasado” (Netflix7),
basado en filtrado colaborativo:“Usuarios que compraron este ítem también com-
praron ...” (Amazon8),
basado en contenido: “Recomendado porque dijiste que poseías el Libro A”
(Amazon),
conversacional: “Qué tipo de películas deseas ver?” “Creo que me gustaría ver
una pelicula de acción” (ACORN [126]),
basado en información demográfica: “A los niños les atrapará la mirada y la
visita es bastante corta. A ti el lugar te atrapará la mirada y tiene un gran valor histórico” (INTRIGUE [4]).
basado en conocimiento/utilidad:“Menos memoria, menor resolución y más bara-
to” (Qwikshop[67]), “... porque tu perfil dice que: *Eres Soltero; *Tienes grandes
ingresos” (SASY [25]).
Con el fin de explicar las recomendaciones, los SRI a menudo acompañan cada re- comendación con algún tipo de análisis, el cual puede ir desde un simple índice de confianza del sistema a una visualización compleja de pros y contras respecto de la recomendación realizada [38, 102]. En el caso de los SRG, es posible presentar un análisis para cada miembro del grupo, para un subconjunto de miembros y/o el grupo completo. Una vez más, tal como se menciona en [29] el tipo de explicación que pueda generarse depende tanto de los datos disponibles como de la técnica utilizada para generar las recomendaciones, y por esto sería posible extender los enfoques actuales de explicación para que sean aplicables a grupos. Por ejemplo, en el caso de los SRG que usan FC, una posible explicación sería: “a los grupos a los que les gustó lapelícula X también les gustó la película Y”.
En la actualidad, tal como mencionan los autores de [29], sólo unos pocos SRG brindan explicaciones para las recomendaciones que generan, entre ellos: FlyTrap [24], Intrigue [4] y PolyLens [76]. En todos los casos, los autores de dichos SRG muestran que hay diversos tipos de información que pueden transmitirse a través de dicha ex- plicación, y que la función de las explicaciones es convencer a los miembros del grupo para que acepten las recomendaciones. Por el contrario, las explicaciones de los sis- temas son frecuentemente mejor vistas como información que ayuda a los miembros del grupo a tomar una decisión final, la cual puede ser completamente distinta de las recomendaciones recibidas.