Paradigmas para incluir contexto en sistemas de recomendaciones

El uso de la informaci´on contextual en sistemas de recomendaci´on se puede remontar al trabajo de Herlocker y Konstan [172], cuya hip´otesis de que la inclusi´on de conocimientos sobre la tarea del usuario en el algoritmo de recomendaci´on en ciertas aplicaciones puede conducir a mejores recomen-

daciones. Diferentes enfoques para el uso de informaci´on contextual en el proceso de recomendaci´on pueden ser clasificados en dos grupos:

Recommendation via context-driven querying and search

Este enfoque ha sido utilizado por una amplia variedad de sistemas de recomendaciones m´oviles y tur´ısticos [173] [174] [124]. Los sistemas que utilizan este enfoque suelen utilizar informaci´on con- textual (obtenida ya sea directamente del usuario, por ejemplo, mediante la especificaci´on del actual estado de ´animo o inter´es, o del medio ambiente, por ejemplo, la obtenci´on de la hora local, el clima, o la ubicaci´on actual) para consultar o buscar en un determinado repositorio de recursos (por ejemplo, restaurantes) y presentar los mejores recursos que coinciden (por ejemplo, los restaurantes cercanos que est´an actualmente abiertos) para el usuario.

Contextual preference elicitation and estimation

El otro enfoque representa una tendencia m´as reciente en la literatura de sistemas de recomenda- ci´on sensibles al contexto [142] [175] [176] [177]. Las t´ecnicas que siguen a este segundo enfoque intentan modelar y aprender preferencias del usuario, por ejemplo, mediante la observaci´on de las interacciones de ´este y otros usuarios con los sistemas o por la obtenci´on de retroalimentaci´on de preferencias del usuario en diversos ´ıtems recomendados previamente. Para modelar las preferencias sensibles al contexto de los usuarios y generar recomendaciones, estas t´ecnicas t´ıpicamente adoptan los m´etodos de filtrado colaborativo existente, basado en contenido, o recomendaci´on h´ıbrida con los ajustes de recomendaci´on context-aware o aplican diversas t´ecnicas de an´alisis de datos inteligentes de miner´ıa de datos o aprendizaje de m´aquina de (tales como clasificadores bayesianos o m´aquinas de vectores soporte). Esta propuesta est´a basada en el segundo enfoque ya que es la tendencia m´as recien- te y el presente sistema est´a basado en un sistema de recomendaci´on h´ıbrido. M´as espec´ıficamente, el proceso de recomendaci´on basado en Contextual preference elicitation and estimation puede adoptar una de las tres siguientes formas, basadas en la utilizaci´on del contexto, como se muestra en la Figura 4.2:

Contextual Prefiltering (o contextualizaci´on de entrada de recomendaci´on): En este paradigma de recomendaci´on (presentada en la figura 4.2a), la informaci´on contextual impulsa la selecci´on de datos o la construcci´on de datos para ese contexto espec´ıfico. En otras palabras, la informa- ci´on sobre el contexto actualcse utiliza para seleccionar o construir el conjunto pertinente de los registros de datos (por ejemplo, ratings). Entonces, las calificaciones se pueden predecir utilizando cualquier sistema de recomendaci´on 2D tradicional sobre los datos seleccionados. Contextual Postfiltering (o contextualizaci´on de salida de recomendaci´on): En este paradigma de recomendaci´on (presentada en la figura 4.2b), la informaci´on contextual se ignora inicialmente, y las calificaciones son predichas con el uso de cualquier sistema de recomendaci´on tradicional 2D en los datos completos. A continuaci´on, se ajusta el conjunto resultante de recomendaciones (contextualizada) para cada usuario utilizando la informaci´on contextual.

Contextual Modeling (o contextualizaci´on de la funci´on de recomendaci´on): En este paradigma de recomendaci´on (presentada en la figura 4.2c), la informaci´on contextual se utiliza directa- mente en la t´ecnica de modelado como parte de la estimaci´on de calificaci´on.

Contextual Prefiltering: Informaci´on contextual filtra un conjunto de datos antes de aplicar un algoritmo de recomendaci´on tradicional.

Contextual Postfiltering: Recomendaciones sobre todo el conjunto de datos y se ajustan usando informaci´on contextual.

Contextual Modeling: Uso de informaci´on contextual directamente en la funci´on de recomen- daci´on como predictor expl´ıcito de un rating para un ´ıtem.

Figura 4.2: Paradigmas para incluir contexto en Sistemas de Recomendaciones.

4.3.

M´etodos de Hibridaci´on

De acuerdo con lo discutido anteriormente, el enfoque propuesto est´a basado en “Contextual pre- ference elicitation and estimation”, adoptando la forma de utilizaci´on de contexto “Contextual Mo- deling”. En este sentido, es importante describir las t´ecnicas de hibridaci´on que combinan dos o m´as t´ecnicas de recomendaci´on para obtener un mejor rendimiento. M´as com´unmente, el filtrado colabo- rativo se combina con alguna otra t´ecnica, a continuaci´on se presentan algunos de las m´etodos de combinaci´on que se pueden emplear [48]:

4.3.1. Weighted

En un weighted recomendador h´ıbrido la puntuaci´on de un ´ıtem recomendado se calcula a partir de los resultados de todas las t´ecnicas de recomendaciones disponibles presentes en el sistema. Por

ejemplo, el h´ıbrido simple combinado ser´ıa una combinaci´on lineal de las puntuaciones de recomen- daci´on. La ventaja este m´etodo es que todas las capacidades del sistema se ejercen en el proceso de recomendaci´on de una manera sencilla y es f´acil de realizar la asignaci´on de pesos. Sin embargo, la suposici´on impl´ıcita en esta t´ecnica es que el valor relativo de las diferentes t´ecnicas es m´as o menos uniforme en todo el espacio de posibles ´ıtems.

4.3.2. Switching

Este m´etodo se basa en la sensibilidad a nivel de ´ıtem en la estrategia de hibridaci´on: el sistema utiliza alg´un criterio para cambiar entre las t´ecnicas de recomendaci´on. Por ejemplo, un sistema usa un h´ıbrido de contenido/colaboraci´on en el que un m´etodo de recomendaci´on basado en contenido se emplea por primera vez, y si ´este no puede hacer una recomendaci´on con la suficiente confianza, entonces una recomendaci´on colaborativa es realizada. Esto hace que se introduzca una complejidad adicional en el proceso de recomendaci´on ya que los criterios de conmutaci´on deben determinarse, y esto introduce otro nivel de parametrizaci´on.

4.3.3. Mixto

Donde es pr´actico hacer gran n´umero de recomendaciones simult´aneamente, puede ser posible uti- lizar un h´ıbrido “mixto”, donde se presentan recomendaciones de m´as de una t´ecnica, en ese sentido, las recomendaciones de las dos t´ecnicas son combinadas en el resultado sugerido al final. Por lo gene- ral, la recomendaci´on requiere un ranking de ´ıtems o la selecci´on de una ´unica mejor recomendaci´on, y en ese momento debe emplearse alg´un tipo de t´ecnica de combinaci´on.

4.3.4. Combinaci´on de caracter´ısticas

Otra forma de conseguir la fusi´on de un contenido/colaborativo es tratar la informaci´on de colabo- raci´on como datos de entidad simplemente adicionales asociados con cada ejemplo y utilizar t´ecnicas basadas en el contenido sobre este conjunto de datos aumentado. El h´ıbrido de combinaci´on de carac- ter´ısticas permite que el sistema considere los datos de colaboraci´on sin depender exclusivamente de ´el, por lo que reduce la dependencia del sistema del n´umero de usuarios que han valorado un ´ıtem.

4.3.5. Cascada

A diferencia de los m´etodos de hibridaci´on anteriores, el h´ıbrido cascada implica un proceso por etapas. En este m´etodo, una t´ecnica de recomendaci´on se emplea primero para producir un ranking de los candidatos y una segunda t´ecnica refina la recomendaci´on del conjunto de candidatos. Cascada permite que el sistema evite el empleo de la segunda t´ecnica de menor prioridad, la t´ecnica de los ´ıtems que ya han sido bien diferenciados por la primera o que est´an lo suficientemente mal valorados y que nunca van a ser recomendados. El segundo paso de la cascada se centra s´olo en aquellos ´ıtems para los que hace falta una discriminaci´on adicional, es m´as eficiente que, por ejemplo, un weighted h´ıbrido que se aplica para todos los ´ıtems.

4.3.6. Caracter´ıstica de Aumento

Esta t´ecnica se emplea para producir una calificaci´on o clasificaci´on de un ´ıtem y la informaci´on se incorpora entonces en el procesamiento de la siguiente t´ecnica de recomendaci´on. Mientras que

ambas t´ecnicas tanto de cascada y de aumento que secuencian dos recomendadores, con el primer recomendador tiene una influencia sobre el segundo, son fundamentalmente muy diferentes. En un h´ıbrido de aumento, las caracter´ısticas utilizadas por el segundo recomendador incluyen la salida del primero. En un h´ıbrido en cascada, el segundo recomendador no utiliza ninguna salida del primero en la producci´on de sus clasificaciones, pero los resultados de los dos recomendadores se combinan de una manera priorizada.

4.3.7. Meta nivel

Otra forma en que dos t´ecnicas de recomendaci´on pueden ser combinadas es utilizando el modelo generado por uno como entrada para otro. Esto difiere de la caracter´ıstica de aumento: en un h´ıbrido de aumento, utilizamos un modelo aprendido para generar caracter´ısticas para la entrada a un segundo algoritmo; en un h´ıbrido meta-nivel, todo el modelo se convierte en la entrada. Un h´ıbrido meta-nivel que se centra exclusivamente en la recomendaci´on, es descrito por Pazzani [45] como “la colaboraci´on a trav´es de contenidos”. Estos modelos, esencialmente vectores de t´erminos y pesos, a continuaci´on, se pueden comparar entre los usuarios para hacer predicciones.

El beneficio del m´etodo de meta-nivel, especialmente para el h´ıbrido contenido/colaborativo es que el modelo aprendido es una representaci´on comprimida de los intereses de un usuario, y un mecanismo de colaboraci´on que sigue, puede operar en esta representaci´on de informaci´on densa m´as f´acilmente que en los datos de calificaci´on en bruto.

A continuaci´on se resumen los m´etodos descritos: M´etodo de Hibridaci´on Descripci´on

Weighted Las puntuaciones (o votos) de varias t´ecnicas de recomendaciones son combinadas para producir una recomendaci´on simple.

Switching El sistema switchea entre t´ecnicas de recomendaciones dependiendo de la actual situaci´on.

Mixed Recomendaciones de diferentes recomendadores son presentadas al mismo tiempo.

Feature combination Caracter´ısticas de diferentes fuentes de datos de recomendaci´on est´an incluidas dentro de un algoritmo de recomendaci´on simple. Cascade Un recomendador refina las recomendaciones

realizadas por otro.

Feature augmentation La salida de una t´ecnica es usada como la entrada de caracter´ısticas de otra.

Meta-level El modelo aprendido por el recomendador es usado como entrada de otro.

Tabla 4.1: M´etodos de Hibridaci´on

4.4.

Modelo de Aplicaci´on

El enfoque a usar en el motor de recomendaci´on es un enfoque h´ıbrido que combina a base de filtrado de conocimiento y filtrado colaborativo. La raz´on de la escogencia de dicho enfoque a par- te de las limitaciones de cada uno por separado encontrado en la literatura, es por las caracter´ısticas

intr´ınsecas propias del proyecto, para lo cual es necesario emplear el perfil de usuario, las caracter´ısti- cas contextuales, y las caracter´ısticas de los ´ıtems a recomendar.