Recommender systems (2)

A través de los años, los desarrolladores de sistemas de recomendación han probado una variedad de enfoques para recopilar y analizar todos esos datos. En la actualidad, se han decidido principalmente por lo que se llama un «recomendador colaborativo personalizado.» Este tipo de recomendador está en el corazón de Amazon, Netflix, Facebook y Last.fm. Son «personalizados» porque rastrean el comportamiento de cada usuario (páginas vistas, compras y calificaciones) para formular recomendaciones. No están presentando conjuntos de sugerencias preconstruidas. Son «colaborativos» porque tratan dos elementos como relacionados en función del hecho de que muchos otros clientes han comprado o manifestado una preferencia por esos elementos, en lugar de analizar conjuntos de características del producto o palabras clave.

Los recomendadores de colaboración personalizados han existido desde 1992. Un algoritmo de colaboración simple conocido como algoritmo de «usuario-usuario» calcula la «distancia» entre pares de usuarios en función de cuánto acuerdan en los elementos que ambos han calificado. Pero el enfoque de «usuario-usuario» alcanzó un límite y la mayoría de los recomendadores de hoy confían más en un algoritmo de «elemento a elemento».

Amazon y Netflix han dicho públicamente que usan variantes de un algoritmo de «elemento a elemento», aunque mantienen los detalles en secreto. El algoritmo calcula la distancia entre cada par de libros o películas, o lo que se haya visto o calificado, de acuerdo a lo cerca que otros usuarios también lo hayan calificado. Las distancias entre pares de elementos, que pueden basarse en las calificaciones de miles o millones de usuarios, tienden a ser relativamente estables a lo largo del tiempo, por lo que los recomendadores pueden calcular previamente distancias y generar recomendaciones más rápidamente.

Un problema con los algoritmos usuario-usuario y elemento-elemento es la inconsistencia de las calificaciones. Los gustos cambian, los estados de ánimo cambian, los recuerdos se desvanecen. Para generar confianza, los sistemas de recomendación más sofisticados se esfuerzan por lograr cierto grado de transparencia al darles a los clientes una idea de por qué se recomendó un artículo en particular y permitirles corregir sus perfiles si no les gustan las recomendaciones que reciben.

Por ejemplo, se puede eliminar información de un perfil de Amazon sobre cosas que compró como regalos. También, si está disponible, puede averiguar por qué se han ofrecido ciertos productos a través del recomendante, preguntando qué ha provocado la recomendación, Lo que permite a los usuarios saber qué tan confiable es una recomendación dada. Aunque, ciertamente, es una funcionalidad que rara vez se ofrece al usuario.

References

[1] J. A. Konstan and J. Riedl, “Deconstructing Recommender Systems,” IEEE Spectrum, 24-Sep-2012. [Online]. Available: http://spectrum.ieee.org/computing/software/deconstructing-recommender-systems. [Accessed: 30-May-2015].

Deja una respuesta

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Salir /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Salir /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Salir /  Cambiar )

Conectando a %s

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.