Sistemas de Recomendación en Redes Sociales

Los Sistemas de recomendación en redes sociales difieren del enfoque clásico de recomen- dación ya que además de la calificación de los ítems, existe información adicional que se debe tener en cuenta, tal como el comportamiento del usuario y las relaciones sociales dadas por la red de amistad entre los usuarios.

En Zafarani et al. (2014) los autores mencionan que cuando se utiliza información social se pueden, 1) realizar recomendaciones utilizando sólo información de amistad, 2) realizar reco- mendaciones utilizando información social más la información de las calificaciones de ítems, o 3) restringir recomendaciones utilizando información social.

Con respecto a 1), se menciona que sin tener información de la matriz ítems-usuario y con tan sólo la red de amistad se pueden realizar recomendaciones de amigos. Existen varios mé- todos que pueden ser utilizados para recomendar amigos en redes sociales. Este problema es denominado «predicción de enlaces (del ingléslink prediction)», donde se trata de inferir qué nuevas interacciones entre miembros de una red social son más probables de ocurrir. Existen dos enfoques Chen et al. (2009) que tratan con el problema de predicción de links, el primero se basa en las características locales de la red, aprovechando la información de los nodos vecinos, ejemplo, “Friends to Friends” Wang et al. (2013). El segundo enfoque se basa en características globales de la red, detectando los caminos entre los nodos Katz (1953).

Con respecto a 2) la información social puede ser usada en conjunto con la matriz de cali- ficaciones usuario-ítem para mejorar las recomendaciones. La adición de la información social

puede ser realizada por el supuesto de que las personas conectadas (amigos) tienen gusto simi- lar en la calificación de ítems. Se pueden modelar los gustos del usuarioUi usando un vector

k-dimensionalUiεRk∗1, también se puede modelar los ítems en el espacio k-dimensional. Sea

VjεRk∗1la representación de un ítem en el espacio k-dimensional. Se asume que la calificación

RiJrealizada por un usuarioia un ítem jpuede ser calculada como lo muestra la ecuación 2.14.

Ri j=UiTVi (2.14)

Para calcularUiyVise puede utilizar factorización de matriz. Zafarani et al. (2014)

Y con respecto a 3), en las recomendaciones clásicas para estimar la calificación de un ítem se busca usuarios o ítems similares. En otras palabras cualquier usuario similar puede contribuir a la estimación de la calificación. Se puede limitar el conjunto de usuarios capaces de contribuir con la estimación de la calificación, considerando sólo el conjunto de amigos del usuario objetivo. Por ejemplo en filtrado colaborativo basado en el usuario, se puede determinar el conjunto de vecinos más similares, luego realizar una intersección con el conjunto de amigos del usuario objetivo para atraer recomendaciones sólo de amigos que son lo suficientemente similares. El cálculo del rating del usuario upara el ítemise muestra en la ecuación 2.15, donderu,i es el

rating a predecir del usuarioual ítemi,N(u)es el conjunto de usuarios más similares au,F(u), son los amigos deu,ves un vecino deu, ¯rues el promedio de rating deu, ¯rves el promedio de

rating dev,rv,i es el rating deiasignado porvysim(u,v)es la similitud entreuyv.

ru,i=ru+ ∑vεN(u)T F(u)sim(u,v)(rv,i−rv) ∑vεN(u)T F(u)sim(u,v) (2.15) También en Wang et al. (2013) proponen dos tipos de recomendaciones en redes sociales.

Recomendaciones basadas en el interés, la cual responde a la pregunta “¿Cómo encontrar los contenidos que puedan interesar a los usuarios de la red social?”, las recomendaciones están basadas en las relaciones y acciones del usuario y también en la similitud de los contenidos multimedia compartidos. Se formulan tres matrices que representan, las cone- xiones sociales o el grafo social representado por la matriz usuario-usuario, las acciones sociales o grafo usuario-contenido y el análisis de contenido multimedia para mostrar si- militudes entre los contenidos representado por la matriz contenido-contenido. Las tres matrices son utilizadas para describir el interés del usuario hacia los contenidos multime- dia. Por lo tanto 1) en base al grafo social y a las acciones del usuario se puede inferir qué contenidos multimedia le pueden gustar a un usuario en particular de acuerdo a la red de amistad o de contactos. 2) en base a las acciones del usuario y a la similitud del con- tenido multimedia, también se pueden inferir los intereses del usuario, ya que al usuario le pueden gustar contenidos multimedia que son similares a los que en algún momento compartió anteriormente.

Recomendaciones basadas en la influencia, responde a la pregunta “¿Qué contenidos mul- timedia debería alguien compartir para maximizar la influencia sobre otros?”, también puede ser extendido en dos escenarios: 1) Ranking de usuarios: dado un contenido multi- media, quien debería compartirlo para maximizar su rango de difusión en la red social. 2) Ranking de contenidos multimedia: dado un usuario, qué se debería compartir para maxi- mizar la influencia hacia los amigos. SeaMla cantidad de usuarios,uiel u-esimo usuario,

seaNla cantidad ítems contenidos, pjj-esimo contenido y sea£(ui)la lista de amigos del

usuarioui. Existen dos factores involucrados en este tipo de recomendación, (a) Influencia

a nivel ítem, una simple manera de definir la influencia deuisobre sus amigos£(ui), dado

un contenidopj, es contar la cantidad de amigos que vieron el contenidopj. (b) Predicción

de la influencia social, hayMxNinfluencias sociales potenciales en total, pero en la prácti- ca solo una pequeña porción de ellas pueden ser observadas. Por lo tanto la predicción de la influencia social es predecir la influencia social no observada en base a las observadas.