Sistemas de Recomendación

Gracias al internet, hoy en día tenemos acceso a un mercado amplio con gran variedad de productos. Como usuario, sería imposible explorar el catálogo entero para encontrar todo lo que podría gustarnos, y ahí es donde entran los sistemas de recomendación.

Un sistema de recomendación es aquél que produce una lista de sugerencias para un usuario. Cada objeto de la lista se llama “ítem” de manera genérica, pues dichas sugerencias pueden ser artículos, películas, música, etc. [1]

Aunque todos los sistemas de recomendación tienen el mismo objetivo final, difieren en aspectos como la información utilizada para hacer recomendaciones y en el funcionamiento del algoritmo. A continuación se presentan las clasificaciones más comunes.

Filtrado colaborativo: En esta categoría se intenta predecir la “clasificación” de un ítem para un usuario con base en las clasificaciones de otros usuarios; se encuentran personas con gustos (clasificaciones) similares al usuario y se le recomiendan ítems que les gusten a esas personas.

Uno de los problemas más grandes en este tipo de recomendación es la falta de información, pues no todos los usuarios han clasificado todos los ítems. En la mayoría de los casos, los usuarios acceden (y clasifican) los ítems que les gustan. Otro problema es el cold start (inicio frío); es difícil recomendar ítems nuevos debido a falta de clasificaciones y también es difícil hacer recomendaciones a un usuario nuevo por la falta de historial de clasificaciones. [2]

Content-based: Los sistemas de recomendación basados en contenido hacen sus recomendaciones con base en descripciones de los ítems y los intereses del usuario. Cada ítem tiene atributos, y se determina su similitud con otros ítems dependiendo de los atributos que compartan. Por ejemplo, si a un usuario le gustan películas del género “Acción”, el sistema recomendaría más películas de ese mismo género.

Un problema con los sistemas basados en contenido es que los ítems no tengan suficientes atributos para ser diferenciados por el sistema de acuerdo con un usuario. Por ejemplo, aunque al usuario le gusten las películas de acción, no quiere decir que le gusten todas las películas de este género; quizá no le gustan las películas con finales tristes, pero el sistema no tenía ese atributo contemplado. [3]

Demográficos: Este tipo de sistema toma en cuenta datos del perfil demográfico de un usuario. Por ejemplo, se pueden hacer recomendaciones basadas en la región o país del usuario, o recomendar con base en la edad del usuario [1].

Híbridos: Como el nombre indica, son aquellos que combinan aspectos de diferentes tipos de sistemas de recomendación. Hoy en día son el tipo más común, pues se intenta minimizar las desventajas de algún tipo con la inclusión de aspectos de otro tipo.

Ejemplos de sistemas de recomendación exitosos son fáciles de encontrar: Netflix tiene un algoritmo para recomendar películas, Amazon recomienda artículos a usuarios, YouTube tiene un sistema de recomendación de vídeos, etc.

Lic. Daniela Rodríguez Galindo

Fuentes

[1] Ricci, F., Rokach, L., & Shapira, B. (2011). Recommender Systems Handbook. Springer.

[2] Breese, J., Heckerman, D, & Kadie, C. (1998). Empirical analysis of predictive algorithms for collaborative filtering. En Proceedings of the Fourteenth conference on Uncertainty in artificial intelligence (UAI'98).

[3] Brusilovsky, P., Kobsa, A., & Nejdl, W. (2007). The Adaptive Web. Springer.