Más allá del gusto del usuario

El estudio concluye que la utilidad de las recomendaciones no es sólo cuestión de acertar con los gustos del usuario

Hacia recomendaciones automáticas más efectivas en entornos online

.

UAM Gazette / Las recomendaciones automáticas que realizan entornos online como Amazon, Spotify o Twitter no sólo deben acertar con los gustos de los usuarios: su efectividad dependerá también de las variables de cobertura, novedad, diversidad y solapamiento. A esta conclusión llegan informáticos de la Universidad Autónoma de Madrid tras evaluar y comparar los algoritmos más generalizados para la derivación de recomendaciones automáticas.

Imagen: UAM

Un grupo de la Escuela Politécnica Superior de la Universidad Autónoma de Madrid (UAM) ha analizado las principales estrategias informáticas que actualmente se aplican para realizar recomendaciones automáticas en entornos online.

El estudio, publicado en la revista Information Sciences, compara un total de 12 algoritmos de recomendación aplicándolos sobre datos de cine, música y páginas Web. Se trata de algoritmos basados en contenido, en filtrado colaborativo y en redes sociales, sobre tres tipos de evidencia de preferencias de usuario: datos de interacción usuario-objetos, etiquetas asignadas a objetos y estructuras de red social.

El estudio concluye que la utilidad de las recomendaciones no es sólo cuestión de acertar con los gustos del usuario sino que, en la práctica, son claves otras dimensiones que también deben medirse y consolidarse.

Estas dimensiones son la cobertura (¿cuándos usuarios reciben recomendaciones?), la novedad (¿son demasiado obvias las recomendaciones?), la diversidad (¿son redundantes entre sí?) y el solapamiento (¿cuánto se parecen las recomendaciones de algoritmos diferentes?).

Los autores resaltan que estas variables son especialmente importantes para valorar los métodos de recomendación híbridos, que generalmente introducen contrapartidas entre diferentes virtudes de los algoritmos que combinan.

El estudio también concluye que el uso de etiquetas sociales por recomendadores basados en contenido maximiza la cobertura y la novedad, mientras que la combinación híbrida de filtrado colaborativo y redes sociales es óptima en acierto de predicción y en diversidad.

.

Tecnologías de recomendación

Las tecnologías de recomendación en entornos online son sistemas que generan sugerencias personalizadas, anticipándose a los gustos de los internautas. Tiendas online como Amazon, servicios de ocio como Netflix, al igual que aplicaciones como YouTube, Spotify o Twitter, se especializan en sugerir ‘opciones de interés’ a medida que se interactúa con ellas.

“La recomendación es la cara complementaria de los buscadores: en lugar de ser los usuarios quienes explícitamente expresan lo que les interesa con una consulta, es el sistema el que busca al usuario para emparejarle con aquello que satisface sus necesidades de información, tratando de determinar a quién le puede interesar una noticia, un libro, una película, un juego, un servicio, un evento, una oferta de empleo, una conversación e incluso otros usuarios”, explican los autores del estudio, miembros del Grupo de Recuperación de Información de la UAM.

“El sistema de recomendación toma la iniciativa y dispone para sus predicciones de todo lo que sea capaz de observar en la actividad e información del usuario que transcurre a través del sistema, y que el usuario debidamente informado acepta que se analice”, completan los investigadores.

.
Los retos y las oportunidades se multiplican

Desde sus inicios en la década de 1990 la investigación en sistemas de recomendación se ha enfocado a formulaciones simplificadas del escenario de recomendación: los usuarios expresan su interés por diferentes objetos o productos (por ejemplo películas) mediante puntuaciones numéricas directas, a modo de votos (por ejemplo de 1 a 5 estrellas), y el sistema predice nuevos votos para objetos que el usuario no ha visto aún.

Pero en los nuevos medios sociales se han ampliado, en tipo y abundancia, las señales disponibles para inferir qué puede interesar al usuario: compras, búsquedas, navegación, posts, clics, favoritos, interacción y relaciones sociales, etiquetas y comentarios asignados a objetos, pertenencia a grupos, información demográfica, geoposicional, etc. Todo esto ha abierto un nuevo horizonte en el que proliferan nuevas estrategias de recomendación, a la vez que se multiplican los retos y oportunidades para asistir y mejorar la experiencia del usuario mediante las recomendaciones automáticas.

En este panorama falta aún entender bien qué algoritmos funcionan mejor, y cómo podrían combinarse de forma óptima en soluciones híbridas, generalmente superiores a los algoritmos puros.

Por otro lado, la evolución de la tecnología y nuestro uso de ella han transformado la forma en que se entiende la recomendación, haciendo necesario repensar qué entendemos por “funcionar bien”, qué propiedades definen una recomendación efectiva y cómo medirlas para seleccionar y optimizar los métodos.

Dejar comentario

Deja tu comentario
Pon tu nombre aquí