Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Página 1
Capítulo 1
Introducción a los sistemas de recomendación
Manual
Los sistemas de recomendación abstracta (RS) son herramientas y técnicas de software que proporcionan
sugerencias de elementos que serán de utilidad para un usuario. En este capítulo introductorio, brevemente
discutir ideas y conceptos básicos de RS. Nuestro principal objetivo es delinear, de forma coherente
y estructurada, los capítulos incluidos en este manual y para ayudar al lector
navegue por el contenido extremadamente rico y detallado que ofrece el manual.
1.1 Introducción
Los sistemas de recomendación (RS) son herramientas y técnicas de software que proporcionan sugerencias
ciones para que los artículos sean de utilidad para un usuario [60, 85, 25]. Las sugerencias se refieren a varios
procesos de toma de decisiones, como qué artículos comprar, qué música escuchar, o
qué noticias en línea leer.
“Elemento” es el término general utilizado para denotar lo que el sistema recomienda a los usuarios.
Un RS normalmente se enfoca en un tipo específico de artículo (por ejemplo, CD o noticias) y de acuerdo
especialmente su diseño, su interfaz gráfica de usuario y la técnica de recomendación central
que se utilizan para generar las recomendaciones se personalizan para proporcionar
sugerencias eficaces para ese tipo específico de artículo.
Los RS se dirigen principalmente a personas que carecen de suficiente experiencia personal.
experiencia o competencia para evaluar el número potencialmente abrumador de alternativas
Francesco Ricci
Facultad de Ciencias de la Computación, Universidad Libre de Bozen-Bolzano, Italia e-mail: fricci @ unibz.
eso
Lior Rokach
Departamento de Ingeniería de Sistemas de Información, Universidad Ben-Gurion del Negev, Israel e-
correo: liorrk@bgu.ac.il
Bracha Shapira
https://translate.googleusercontent.com/translate_f 1/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Departamento de Ingeniería de Sistemas de Información, Universidad Ben-Gurion del Negev, Israel e-
correo: bshapira@bgu.ac.il
Página 2
2 Francesco Ricci, Lior Rokach y Bracha Shapira
elementos nativos que un sitio web, por ejemplo, puede ofrecer [85]. Un ejemplo es un libro.
sistema de recomendación que ayuda a los usuarios a seleccionar un libro para leer. En la web popular
sitio, Amazon.com, el sitio emplea un RS para personalizar la tienda en línea para cada
cliente [47]. Dado que las recomendaciones suelen ser personalizadas, diferentes usuarios o
los grupos de usuarios reciben diversas sugerencias. Además también hay no personalizados
recomendaciones. Son mucho más simples de generar y normalmente se incluyen en
revistas o periódicos. Los ejemplos típicos incluyen las diez mejores selecciones de libros,
CD, etc. Si bien pueden resultar útiles y eficaces en determinadas situaciones, estos tipos de
Las recomendaciones no personalizadas no suelen ser abordadas por la investigación de RS.
En su forma más simple, las recomendaciones personalizadas se ofrecen como listas clasificadas.
de artículos. Al realizar esta clasificación, los RS intentan predecir cuál es el producto más adecuado
Los productos o servicios se basan en las preferencias y limitaciones del usuario. Con el fin de
completar una tarea computacional de este tipo, los RS recopilan de los usuarios sus preferencias, que
se expresan explícitamente, por ejemplo, como calificaciones de productos, o se infieren por
predecir las acciones del usuario. Por ejemplo, un RS puede considerar la navegación a un
página del producto como un signo implícito de preferencia para los artículos que se muestran en esa página.
El desarrollo de RS se inició a partir de una observación bastante simple: los individuos a menudo
Confiar en las recomendaciones proporcionadas por otros al tomar decisiones rutinarias y diarias.
[60, 70]. Por ejemplo, es común confiar en lo que recomiendan los compañeros cuando
seleccionar un libro para leer; los empleadores cuentan con cartas de recomendación en sus
decisiones cruciales; y al seleccionar una película para ver, las personas tienden a leer
y confiar en las reseñas de películas que ha escrito un crítico de cine y que aparecen en el
periódico que leen.
Al tratar de imitar este comportamiento, los primeros RS aplicaron algoritmos para aprovechar
recomendaciones producidas por una comunidad de usuarios para entregar recomendaciones
a un usuario activo, es decir, un usuario que busca sugerencias. Las recomendaciones fueron
para artículos que les hayan gustado a usuarios similares (aquellos con gustos similares). Este enfoque es
denominado filtrado colaborativo y su razón de ser es que si el usuario activo acordó en el
pasado con algunos usuarios, luego las otras recomendaciones provenientes de estos similares
los usuarios también deben ser relevantes y de interés para el usuario activo.
A medida que comenzaron a desarrollarse los sitios web de comercio electrónico, surgió una necesidad urgente de
recomendaciones derivadas del filtrado de toda la gama de alternativas disponibles
nativos. A los usuarios les resultaba muy difícil llegar a las opciones más adecuadas
de la inmensa variedad de elementos (productos y servicios) que estos sitios Web eran
ofrecimiento.
El crecimiento explosivo y la variedad de información disponible en la Web y la
rápida introducción de nuevos servicios de comercio electrónico (compra de productos, comparación de productos)
hijo, subasta, etc.) con frecuencia abrumaban a los usuarios, lo que los llevaba a tomar malas decisiones
siones. La disponibilidad de opciones, en lugar de producir un beneficio, comenzó a disminuir.
el bienestar de los usuarios. Se entendió que si bien la elección es buena, más opciones no lo son.
siempre mejor. De hecho, la elección, con sus implicaciones de libertad, autonomía y
La determinación puede volverse excesiva, creando una sensación de que la libertad puede llegar a ser
considerado como una especie de tiranía que induce a la miseria [96].
Los RS han demostrado en los últimos años ser un medio valioso para hacer frente a la información
problema de sobrecarga de mation. En última instancia, un RS aborda este fenómeno señalando
https://translate.googleusercontent.com/translate_f 2/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Página 3
1 Manual de introducción a los sistemas de recomendación 3
un usuario hacia elementos nuevos, aún no experimentados que pueden ser relevantes para los usuarios
tarea actual. A solicitud de un usuario, que se puede articular, dependiendo de la receta
enfoque de recomendación, según el contexto y la necesidad del usuario, los RS generan recomendaciones
daciones utilizando varios tipos de conocimientos y datos sobre los usuarios, los elementos disponibles,
y transacciones anteriores almacenadas en bases de datos personalizadas. A continuación, el usuario puede navegar
las recomendaciones. Puede aceptarlos o no y puede proporcionar, de inmediato
o en una etapa siguiente, una retroalimentación implícita o explícita. Todas estas acciones de usuario y feed-
Los respaldos se pueden almacenar en la base de datos del recomendador y se pueden utilizar para generar
nuevas recomendaciones en las próximas interacciones usuario-sistema.
Como se señaló anteriormente, el estudio de los sistemas de recomendación es relativamente nuevo en comparación con
investigación de otras herramientas y técnicas clásicas del sistema de información (p. ej., bases de datos
o motores de búsqueda). Los sistemas de recomendación surgieron como un área de investigación independiente
a mediados de la década de 1990 [35, 60, 70, 7]. En los últimos años, el interés por los sistemas de recomendación
tems ha aumentado drásticamente, como indican los siguientes hechos:
1. Los sistemas de recomendación juegan un papel importante en estos sitios de Internet altamente calificados.
como Amazon.com, YouTube, Netflix, Yahoo, Tripadvisor, Last.fm e IMDb.
Además, muchas empresas de medios están desarrollando e implementando RS como parte
de los servicios que prestan a sus suscriptores. Por ejemplo, Netflix, el online
servicio de alquiler de películas, otorgó un premio de un millón de dólares al equipo que triunfó
cedido en mejorar sustancialmente el rendimiento de su sistema de recomendación
[54].
2. Hay conferencias y talleres dedicados relacionados con el campo. Nos referimos
específicamente a los sistemas de recomendación ACM (RecSys), establecidos en 2007 y
ahora es el principal evento anual en investigación y aplicación de tecnología de recomendación
cationes. Además, las sesiones dedicadas a los RS se incluyen con frecuencia en el
conferencias más tradicionales en el área de bases de datos, sistemas de información y
sistemas adaptativos. Entre estas conferencias cabe mencionar ACM SIGIR
Grupo de interés especial en recuperación de información (SIGIR), modelado de usuarios, adaptación
personalización y personalización (UMAP), y el Grupo de interés especial de ACM en
Gestión de datos (SIGMOD).
3. En instituciones de educación superior de todo el mundo, pregrado y posgrado.
los cursos ahora se dedican por completo a los RS; los tutoriales sobre RS son muy populares en
conferencias de informática; y recientemente un libro que presenta las técnicas de RS
fue publicado [48].
4. Ha habido varios números especiales en revistas académicas que cubren la investigación.
y desarrollos en el campo de la RS. Entre las revistas que tienen números dedicados
a RS son: AI Communications (2008); Sistemas inteligentes IEEE (2007); Enterrar-
Revista Nacional de Comercio Electrónico (2006); Revista Internacional de Comercio
informática y aplicaciones (2006); Transacciones ACM en Computer-Human
Interacción (2005); y ACM Transactions on Information Systems (2004).
En este capítulo introductorio discutimos brevemente las ideas y conceptos básicos de RS. Nuestro
El objetivo principal no es mucho presentar una introducción completa e independiente o
encuesta sobre RS, sino más bien delinear, de manera coherente y estructurada, los capítulos
https://translate.googleusercontent.com/translate_f 3/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Página 4
4 Francesco Ricci, Lior Rokach y Bracha Shapira
incluido en este manual y para ayudar al lector a navegar por los extremadamente ricos y
contenido detallado que ofrece el manual.
El manual se divide en cinco secciones: técnicas; aplicaciones y evaluación
ción de RS; interactuar con los RS; RS y comunidades; y algoritmos avanzados.
La primera sección presenta las técnicas más utilizadas hoy en día para la construcción.
ing RS, como el filtrado colaborativo; métodos de minería de datos basados en contenido; y
métodos sensibles al contexto.
La segunda sección analiza las técnicas y enfoques que se han utilizado para
evaluar la calidad de las recomendaciones. También se ocupa de los aspectos prácticos
de diseñar sistemas de recomendación; describe las consideraciones de diseño e implementación
aciones; y establece pautas para seleccionar los algoritmos más adecuados. La sección
también considera aspectos que pueden afectar el diseño de RS (dominio, dispositivo, usuarios, etc.). Fi-
Finalmente, discute métodos, desafíos y medidas a ser aplicadas en la evaluación de la
sistemas desarrollados.
La tercera sección incluye artículos que tratan una serie de cuestiones relacionadas con la
se presentan, examinan, explican y visualizan recomendaciones. Las tecnicas
que hacen que el proceso de recomendación sea más estructurado y conversacional
maldecido aquí.
La cuarta sección está completamente dedicada a un tema bastante nuevo, explotando al usuario
contenido generado (CGU) de varios tipos (etiquetas, consultas de búsqueda, evaluaciones de confianza,
etc.) para generar tipos de recomendaciones innovadoras y más creíbles. Delaware-
A pesar de su relativa novedad, este tema se basa esencialmente en la idea central de una colaboración.
recomendador orativo,
La última selección presenta trabajos sobre diversos temas avanzados, tales como: el ex-
explotación de principios de aprendizaje activo para orientar la adquisición de nuevos conocimientos;
técnicas adecuadas para proteger un sistema de recomendación contra ataques de malignidad
usuarios interesados; y RS que agregan múltiples tipos de comentarios y preferencias de los usuarios
para construir recomendaciones más confiables.
En la sección anterior definimos los RS como herramientas y técnicas de software que proporcionan
usuarios con sugerencias de elementos que un usuario puede desear utilizar. Ahora queremos refinar
esta definición ilustra una gama de posibles roles que puede desempeñar un RS. En primer lugar,
debemos distinguir entre el papel que desempeña la RS en nombre del servicio
proveedor de la del usuario de la RS. Por ejemplo, un sistema de recomendación de viajes
normalmente lo introduce un intermediario de viajes (p. ej., Expedia.com) o un destino
organización de gestión (por ejemplo, Visitfinland.com) para aumentar su facturación (Expedia),
es decir, vender más habitaciones de hotel o aumentar el número de turistas al destino
[86]. Considerando que, la principal motivación del usuario para acceder a los dos sistemas es
encontrar un hotel adecuado y eventos / atracciones interesantes cuando visite un destino.
De hecho, existen varias razones por las que los proveedores de servicios pueden querer explotar
esta tecnología:
https://translate.googleusercontent.com/translate_f 4/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Página 5
1 Manual de introducción a los sistemas de recomendación 5
1 Este tema, convencer al usuario de que acepte una recomendación, se analiza nuevamente cuando explicamos
la diferencia entre predecir el interés del usuario en un artículo y la probabilidad de que el usuario
seleccione el artículo recomendado.
Página 6
6 Francesco Ricci, Lior Rokach y Bracha Shapira
https://translate.googleusercontent.com/translate_f 5/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
tipo de mensaje promocional derivado del análisis de los datos recopilados por el RS
(transacciones de los usuarios).
Mencionamos anteriormente algunas motivaciones importantes de por qué los proveedores de servicios electrónicos
introducir RS. Pero los usuarios también pueden querer un RS, si es compatible con sus tareas de manera efectiva.
o metas. En consecuencia, un RS debe equilibrar las necesidades de estos dos jugadores y ofrecer
un servicio que es valioso para ambos.
Herlocker y col. [25], en un artículo que se ha convertido en un referente clásico en este
campo, defina once tareas populares que un RS puede ayudar a implementar. Algunos pueden
ser consideradas como las tareas principales o centrales que normalmente se asocian con un RS,
es decir, ofrecer sugerencias de elementos que pueden ser útiles para un usuario. Otros pueden ser
considerados como formas más "oportunistas" de explotar un RS. De hecho, este
La diferenciación de tareas es muy similar a lo que sucede con un motor de búsqueda, su principal
La función es localizar documentos que sean relevantes para la necesidad de información del usuario, pero
También se puede utilizar para comprobar la importancia de una página web (mirando la posición
de la página en la lista de resultados de una consulta) o para descubrir los diversos usos de una palabra
en una colección de documentos.
• Encuentre algunos artículos buenos: recomiende a un usuario algunos artículos como una lista clasificada
con predicciones de cuánto le gustarían al usuario (p. ej., de una a cinco
escala de estrellas). Esta es la principal tarea de recomendación que muchos sistemas comerciales
dirección (ver, por ejemplo, Capítulo 9). Algunos sistemas no muestran la predicción
clasificación.
• Encuentre todos los artículos buenos: recomiende todos los artículos que puedan satisfacer algunas necesidades de los usuarios.
En tales casos, no basta con encontrar algunos artículos buenos. Esto es especialmente cierto
cuando el número de elementos es relativamente pequeño o cuando el RS es de misión crítica,
como en aplicaciones médicas o financieras. En estas situaciones, además de la
beneficio derivado de examinar cuidadosamente todas las posibilidades, el usuario también puede
beneficiarse de la clasificación RS de estos elementos o de explicaciones adicionales que
el RS genera.
• Anotación en contexto: dado un contexto existente, por ejemplo, una lista de elementos, enfatice
algunos de ellos en función de las preferencias a largo plazo del usuario. Por ejemplo, un
El sistema de recomendación de TV puede anotar qué programas de TV se muestran en el elec-
vale la pena ver la guía de programas tronic (EPG) (el capítulo 18 proporciona
ejemplos de esta tarea).
• Recomendar una secuencia: en lugar de centrarse en la generación de un solo registro
omendacin, la idea es recomendar una secuencia de elementos que sea agradable como
entero. Los ejemplos típicos incluyen recomendar una serie de televisión; un libro sobre RS
después de haber recomendado un libro sobre minería de datos; o una compilación de musicales
pistas [99], [39].
• Recomendar un paquete: sugiera un grupo de artículos que encajen bien. Para en
postura, un plan de viaje puede estar compuesto por varias atracciones, destinos y
servicios de alojamiento que se ubican en un área delimitada. Desde el punto de
vista del usuario, estas diversas alternativas pueden ser consideradas y seleccionadas como un
destino de viaje único [87].
Página 7
1 Manual de introducción a los sistemas de recomendación 7
• Solo navegando: en esta tarea, el usuario navega por el catálogo sin ningún inminente
intención de comprar un artículo. La tarea del recomendador es ayudar al usuario
https://translate.googleusercontent.com/translate_f 6/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
para examinar los elementos que tienen más probabilidades de caer dentro del alcance de la interacción del usuario
ests para esa sesión de navegación específica. Esta es una tarea que también ha sido apoyada
mediante técnicas hipermedia adaptativas [23].
• Encuentre un recomendador creíble: algunos usuarios no confían en los sistemas de recomendación, por lo tanto
juegan con ellos para ver qué tan buenos son al hacer recomendaciones.
Por lo tanto, algunos sistemas también pueden ofrecer funciones específicas para permitir que los usuarios prueben su
comportamiento además de los necesarios para obtener recomendaciones.
• Mejorar el perfil: esto se relaciona con la capacidad del usuario para proporcionar (entrada)
información al sistema de recomendación sobre lo que le gusta y lo que no le gusta. Este es
una tarea fundamental y estrictamente necesaria para brindar recomendaciones personalizadas
daciones. Si el sistema no tiene conocimientos específicos sobre el usuario activo, puede
sólo le proporcionaremos las mismas recomendaciones que se entregarían a un
"usuario promedio.
• Express self: algunos usuarios pueden no preocuparse por las recomendaciones en absoluto. Bastante,
lo que les importa es que se les permita contribuir con su ratificación
ings y expresar sus opiniones y creencias. La satisfacción del usuario por esa actividad.
todavía puede actuar como un apalancamiento para sujetar al usuario firmemente a la aplicación (como nosotros
mencionado anteriormente al discutir las motivaciones del proveedor de servicios).
• Ayude a otros: algunos usuarios están felices de contribuir con información, por ejemplo, su
evaluación de ítems (calificaciones), porque creen que la comunidad se beneficia
de su contribución. Esta podría ser una gran motivación para ingresar información
en un sistema de recomendación que no se utiliza habitualmente. Por ejemplo, con un
car RS, una usuaria que ya ha comprado su auto nuevo es consciente de que la calificación
terado en el sistema es más probable que sea útil para otros usuarios que para el
la próxima vez se comprará un coche.
• Influir en otros: en los RS basados en la web, hay usuarios cuyo objetivo principal es ex-
Influir explícitamente en otros usuarios para que compren determinados productos. Como una cuestión de
De hecho, también hay algunos usuarios malintencionados que pueden usar el sistema solo para promover
o penalizar ciertos artículos (ver Capítulo 25).
Los RS son sistemas de procesamiento de información que recopilan activamente varios tipos de datos.
para construir sus recomendaciones. Los datos se refieren principalmente a los elementos a sugerir.
gest y los usuarios que recibirán estas recomendaciones. Pero, dado que los datos
y las fuentes de conocimiento disponibles para los sistemas de recomendación pueden ser muy diversas,
en última instancia, si se pueden explotar o no depende de la recomendación
Página 8
8 Francesco Ricci, Lior Rokach y Bracha Shapira
técnica (ver también la sección 1.4). Esto quedará más claro en los distintos capítulos.
incluido en este manual (ver en particular el Capítulo 11).
En general, hay técnicas de recomendación que son deficientes en conocimiento, es decir,
utilizan datos muy simples y básicos, como calificaciones / evaluaciones de los usuarios para los artículos
https://translate.googleusercontent.com/translate_f 7/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
(Capítulos 5, 4). Otras técnicas dependen mucho más del conocimiento, por ejemplo, el uso de
ing descripciones ontológicas de los usuarios o los elementos (Capítulo 3), o restricciones
(Capítulo 6), o relaciones sociales y actividades de los usuarios (Capítulo 19). En todo caso,
Como clasificación general, los datos utilizados por los RS se refieren a tres tipos de objetos: elementos,
usuarios y transacciones, es decir, relaciones entre usuarios y artículos.
Elementos. Los elementos son los objetos recomendados. Los artículos se pueden caracterizar
por su complejidad y su valor o utilidad. El valor de un artículo puede ser positivo si
el artículo es útil para el usuario, o negativo si el artículo no es apropiado y el usuario
tomó una decisión equivocada al seleccionarlo. Observamos que cuando un usuario está adquiriendo un
artículo en el que siempre incurrirá en un costo, que incluye el costo cognitivo de la búsqueda
por el artículo y el costo monetario real eventualmente pagado por el artículo.
Por ejemplo, el diseñador de un RS de noticias debe tener en cuenta la complejidad de
una noticia, es decir, su estructura, la representación textual y la importancia dependiente del tiempo
portancia de cualquier noticia. Pero, al mismo tiempo, el diseñador de RS debe comprender
que incluso si el usuario no paga por leer noticias, siempre existe un costo cognitivo
asociado a la búsqueda y lectura de noticias. Si un elemento seleccionado es relevante para el
usuario este costo está dominado por el beneficio de haber adquirido una información útil,
Considerando que si el artículo no es relevante, el valor neto de ese artículo para el usuario, y su
recomendación, es negativa. En otros dominios, por ejemplo, automóviles o inversiones financieras,
el verdadero costo monetario de los artículos se convierte en un elemento importante a considerar cuando
seleccionando el enfoque de recomendación más apropiado.
Los elementos de baja complejidad y valor son: noticias, páginas web, libros, CD, películas.
Los elementos con mayor complejidad y valor son: cámaras digitales, teléfonos móviles, PC,
etc. Los elementos más complejos que se han considerado son las pólizas de seguro,
inversiones financieras, viajes, empleo [72].
Los RS, de acuerdo con su tecnología central, pueden usar una variedad de propiedades y características
tures de los artículos. Por ejemplo, en un sistema de recomendación de películas, el género (como
como comedia, thriller, etc.), así como el director, y los actores pueden usarse para describir
una película y aprender cómo la utilidad de un artículo depende de sus características. Los artículos pueden
ser representados utilizando diversos enfoques de información y representación, por ejemplo, en un
de forma minimalista como un código de identificación único, o en una forma más rica, como un conjunto de atributos, pero incluso
como concepto en una representación ontológica del dominio (Capítulo 3).
Usuarios. Los usuarios de un RS, como se mencionó anteriormente, pueden tener objetivos y características muy diversas
acterísticas. Para personalizar las recomendaciones y el equipo humano
interacción, los RS explotan una variedad de información sobre los usuarios. Esta informacion
puede estructurarse de varias formas y, de nuevo, la selección de qué información
El modelo depende de la técnica de recomendación.
Por ejemplo, en el filtrado colaborativo, los usuarios se modelan como una lista simple que contiene:
ing las calificaciones proporcionadas por el usuario para algunos elementos. En una RS demográfica, socio-
Se utilizan atributos demográficos como edad, género, profesión y educación.
Se dice que los datos de usuario constituyen el modelo de usuario [21, 32]. El modelo de usuario perfila el
Página 9
1 Manual de introducción a los sistemas de recomendación 9
usuario, es decir, codifica sus preferencias y necesidades. Varios enfoques de modelado de usuarios
Se han utilizado y, en cierto sentido, un RS puede verse como una herramienta que genera
recomendaciones mediante la construcción y explotación de modelos de usuario [19, 20]. Dado que ninguna persona-
es posible sin un modelo de usuario conveniente, a menos que la recomendación sea
no personalizado, como en la selección de los 10 primeros, el modelo de usuario siempre jugará un centro
papel tral. Por ejemplo, considerando nuevamente un enfoque de filtrado colaborativo, el usuario
se perfila directamente por sus calificaciones a los elementos o, utilizando estas calificaciones, el sistema
https://translate.googleusercontent.com/translate_f 8/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
deriva un vector de valores de factores, donde los usuarios difieren en cómo cada factor pondera en
su modelo (Capítulos 5 y 4).
Los usuarios también pueden ser descritos por sus datos de patrones de comportamiento, por ejemplo, sitio
patrones de navegación (en un sistema de recomendación basado en la web) [107], o búsqueda de viajes
patrones (en un sistema de recomendación de viajes) [60]. Además, los datos del usuario pueden incluir
relaciones entre usuarios, como el nivel de confianza de estas relaciones entre usuarios (Cap.
ter 20). Un RS podría utilizar esta información para recomendar elementos a los usuarios que
preferido por usuarios similares o de confianza.
Actas. Generalmente nos referimos a una transacción como una interacción registrada entre
entre un usuario y el RS. Las transacciones son datos similares a registros que almacenan información importante.
mación generada durante la interacción humano-computadora y que son útiles para
el algoritmo de generación de recomendaciones que utiliza el sistema. Por ejemplo,
un registro de transacciones puede contener una referencia al elemento seleccionado por el usuario y un
descripción del contexto (por ejemplo, el objetivo / consulta del usuario) para esa recomendación en particular
dación. Si está disponible, esa transacción también puede incluir una retroalimentación explícita que el usuario
ha proporcionado, como la calificación del elemento seleccionado.
De hecho, las calificaciones son la forma más popular de datos de transacciones que recopila un RS.
Estas calificaciones pueden recopilarse explícita o implícitamente. En la colección explícita de
calificaciones, se le pide al usuario que dé su opinión sobre un elemento en una escala de calificación.
Según [93], las calificaciones pueden adoptar diversas formas:
Otra forma de evaluación del usuario consiste en etiquetas asociadas por el usuario con el
elementos que presenta el sistema. Por ejemplo, en Movielens RS (http://movielens.umn.edu)
Las etiquetas representan cómo se sienten los usuarios de MovieLens acerca de una película, por ejemplo: "demasiado larga" o "act-
En g". El capítulo 19 se centra en este tipo de transacciones.
En las transacciones que recopilan calificaciones implícitas, el sistema tiene como objetivo inferir la opinión de los usuarios
ion basado en las acciones del usuario. Por ejemplo, si un usuario ingresa la palabra clave "Yoga" en
Página 10
10 Francesco Ricci, Lior Rokach y Bracha Shapira
Para implementar su función principal, identificando los elementos útiles para el usuario, un
RS debe predecir que vale la pena recomendar un artículo. Para hacer esto, el sistema
debe poder predecir la utilidad de algunos de ellos, o al menos comparar la utilidad de
algunos elementos y, a continuación, decida qué elementos recomendar en función de esta comparación.
El paso de predicción puede no ser explícito en el algoritmo de recomendación, pero podemos
todavía aplique este modelo unificador para describir el papel general de un RS. Aquí nuestro objetivo
es proporcionar al lector una perspectiva unificadora en lugar de un relato de todos los
diferentes enfoques de recomendación que se ilustrarán en este manual.
Para ilustrar el paso de predicción de un RS, considérese, por ejemplo, un simple, no
algoritmo de recomendación personalizado que recomienda solo los más populares
canciones. La justificación para utilizar este enfoque es que, en ausencia de información más precisa,
formación sobre las preferencias del usuario, una canción popular, es decir, algo que le gusta
(alta utilidad) a muchos usuarios, probablemente también le gustará a un usuario genérico, al menos
más que otra canción seleccionada al azar. De ahí la utilidad de estas canciones populares
se prevé que sea razonablemente alto para este usuario genérico.
Esta visión del cálculo de la recomendación central como la predicción de la utilidad
En [3] se ha sugerido la calidad de un elemento para un usuario. Modelan este grado de utilidad
del usuario u para el elemento i como una función (de valor real) R ( u, i ), como se hace normalmente
en el filtrado colaborativo al considerar las calificaciones de los usuarios para los elementos. Entonces la diversión
tarea fundamental de un filtrado colaborativo RS es predecir el valor de R sobre pares
de los usuarios y los artículos, es decir, para calcular R ( u, i ), donde denotamos con R la estimación,
calculado por la RS, de la verdadera función R . En consecuencia, habiendo calculado este
predicción para el usuario activo u en un conjunto de elementos, es decir, R ( u, i 1 ) , ..., R ( u, i N ) el sis-
tem recomendará los elementos i j 1 , ..., i j K ( K ≤ N ) con la mayor utilidad prevista.
K es típicamente un número pequeño, es decir, mucho más pequeño que la cardinalidad de los datos del artículo.
conjunto o los elementos sobre los que se puede calcular una predicción de la utilidad del usuario, es decir, el "filtro" de RS
los elementos que se recomiendan a los usuarios.
Como se mencionó anteriormente, algunos sistemas de recomendación no estiman completamente la utilidad
antes de hacer una recomendación, pero pueden aplicar algunas heurísticas a la hipótesis
Página 11
1 Manual de introducción a los sistemas de recomendación 11
tamaño que un artículo es de uso para un usuario. Esto es tpico, por ejemplo, en el conocimiento
sistemas. Estas predicciones de utilidad se calculan con algoritmos específicos (ver más abajo)
y utilizar diversos tipos de conocimiento sobre los usuarios, los elementos y la función de utilidad en sí
(ver sección 1.3) [25]. Por ejemplo, el sistema puede asumir que la función de utilidad
es booleano y, por lo tanto, solo determinará si un elemento es útil o no
para el usuario. En consecuencia, asumiendo que hay algún conocimiento disponible (posiblemente
bly none) sobre el usuario que solicita la recomendación, conocimiento sobre
elementos y otros usuarios que recibieron recomendaciones, el sistema aprovechará esta
conocimiento con un algoritmo apropiado para generar varias predicciones de utilidad y
de ahí las recomendaciones [25].
También es importante tener en cuenta que a veces se observa la utilidad del usuario para un artículo
depender de otras variables, que genéricamente llamamos “contextuales” [1]. Para en
https://translate.googleusercontent.com/translate_f 10/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
postura,
del la utilidad
usuario de un elemento
(por ejemplo, para un usuario
usuarios expertos frente apuede verse
usuarios influida pordeeluna
principiantes conocimiento del dominio
cámara digital), o puede depender de
el momento en que se solicita la recomendación. O el usuario puede estar más interesado
se encuentra en artículos (por ejemplo, un restaurante) más cercanos a su ubicación actual. En consecuencia, el
Las recomendaciones deben adaptarse a estos detalles adicionales específicos y, como resultado,
Cada vez es más difícil estimar correctamente cuáles son las recomendaciones correctas.
están.
Este manual presenta varios tipos diferentes de sistemas de recomendación que varían
en términos del dominio abordado, el conocimiento utilizado, pero especialmente en lo que respecta a
el algoritmo de recomendación, es decir, cómo la predicción de la utilidad de una recomendación
Se hace la mendación, como se menciona al principio de esta sección. Otras diferencias
relacionarse con la forma en que las recomendaciones se ensamblan finalmente y se presentan al usuario en
respuesta a las solicitudes de los usuarios. Estos aspectos también se tratan más adelante en esta introducción.
Para proporcionar una primera descripción general de los diferentes tipos de RS, queremos citar un
taxonomía proporcionada por [25] que se ha convertido en una forma clásica de distinguir entre
entre los sistemas de recomendación y refiriéndose a ellos. [25] distingue entre seis
diferentes clases de enfoques de recomendación:
Basado en contenido: el sistema aprende a recomendar elementos que son similares a los
las que le gustaban al usuario en el pasado. La similitud de los elementos se calcula en función de la
características asociadas con los elementos comparados. Por ejemplo, si un usuario ha
clasificó una película que pertenece al género de la comedia, entonces el sistema puede aprender a
Recomendar otras películas de este género. El capítulo 3 proporciona una descripción general del contenido.
basados en sistemas de recomendación, imponiendo cierto orden entre los extensos y diversos
aspectos involucrados en su diseño e implementación. Presenta los conceptos básicos
y terminología de RS basados en contenido, su arquitectura de alto nivel y sus principales
ventajas e inconvenientes. A continuación, el capítulo analiza los sistemas de vanguardia que
se han adoptado en varios dominios de aplicación. La encuesta abarca un
Descripción detallada de las técnicas clásicas y avanzadas para representar elementos.
y perfiles de usuario. Por último, analiza las tendencias y las investigaciones futuras que podrían conducir
hacia la próxima generación de sistemas de recomendación.
Filtrado colaborativo: la implementación más simple y original de esta aplicación.
proach [93] recomienda al usuario activo los elementos que otros usuarios con similares
gustos gustados en el pasado. La similitud en el gusto de dos usuarios se calcula en base a
Pagina 12
12 Francesco Ricci, Lior Rokach y Bracha Shapira
la similitud en el historial de calificación de los usuarios. Esta es la razón por la que [94] se refiere
al filtrado colaborativo como "correlación entre personas". El filtrado colaborativo es
considerada la técnica más popular y ampliamente implementada en RS.
El capítulo 4 presenta una encuesta completa de métodos basados en el vecindario para
filtración colaborativa. Los métodos de vecindad se centran en las relaciones entre elementos
o, alternativamente, entre usuarios. Un enfoque ítem-ítem modela la preferencia de un
usuario a un elemento en función de las calificaciones de elementos similares por el mismo usuario. Vecinos mas cercanos
Los métodos gozan de considerable popularidad debido a su simplicidad, eficiencia y
capacidad para producir recomendaciones precisas y personalizadas. Los autores ad-
vestir las decisiones esenciales que se requieren al implementar un barrio-
sistema de recomendación basado en y proporcionar información práctica sobre cómo hacer
decisiones.
Finalmente, el capítulo trata los problemas de escasez de datos y cobertura limitada,
observado a menudo en grandes sistemas comerciales de recomendación. Algunas soluciones para sobre-
vienen estos problemas que se presentan.
https://translate.googleusercontent.com/translate_f 11/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
El Capítulo 5 presenta varias extensiones recientes disponibles para construir recomendaciones de CF
reparadores. Específicamente, los autores discuten modelos de factores latentes, tales como factor matricial
torización (p. ej., descomposición de valores singulares, SVD). Estos métodos transforman
tanto los elementos como los usuarios al mismo espacio de factor latente. Luego se usa el espacio latente
Explicar las calificaciones caracterizando tanto a los productos como a los usuarios en términos de factores
inferido matemáticamente a partir de los comentarios de los usuarios. Los autores aclaran cómo puede manejar la SVD
características adicionales de los datos, incluida la retroalimentación implícita y la información temporal
ción. También describen técnicas para abordar las deficiencias de la tecnología del vecindario.
niques sugiriendo formulaciones más rigurosas utilizando tecnología de optimización global
niques. El uso de tales técnicas hace posible levantar el límite en el vecindario.
tamaño y para abordar la retroalimentación implícita y la dinámica temporal. La precisión resultante
está cerca de la de los modelos de factorización matricial, mientras que ofrece una serie de prácticas
ventajas.
Demográfico: este tipo de sistema recomienda elementos basados en la demografía
perfil gráfico del usuario. El supuesto es que las diferentes recomendaciones deberían
generarse para diferentes nichos demográficos. Muchos sitios web adoptan métodos sencillos y
Soluciones de personalización eficaces basadas en datos demográficos. Por ejemplo, los usuarios son
enviados a sitios web particulares según su idioma o país. O sugerencia
Las opciones pueden personalizarse de acuerdo con la edad del usuario. Si bien estos enfoques
han sido bastante populares en la literatura de marketing, ha habido relativamente poca
adecuada investigación de la RS en los sistemas demográficos [59].
Basado en el conocimiento: los sistemas basados en el conocimiento recomiendan elementos basados en
conocimiento específico del dominio sobre cómo determinadas características del elemento satisfacen las necesidades y preferencias de los usuarios
erences y, en última instancia, cómo el elemento es útil para el usuario. Conocimientos notables
los sistemas de recomendación basados en casos se basan en casos [22, 87]. En estos sistemas una similitud
La función estima cuánto las necesidades del usuario (descripción del problema) coinciden con el rec-
ommendations (soluciones del problema). Aquí la puntuación de similitud puede ser directamente
interpretado como la utilidad de la recomendación para el usuario.
Los sistemas basados en restricciones son otro tipo de RS basados en el conocimiento (Capítulo 6).
En términos de conocimiento utilizado, ambos sistemas son similares: los requisitos del usuario se
Página 13
1 Manual de introducción a los sistemas de recomendación 13
https://translate.googleusercontent.com/translate_f 12/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
las relaciones de los usuarios y las preferencias de los amigos del usuario. La recomendación
ción se basa en las calificaciones proporcionadas por los amigos del usuario. De hecho, estos RS
están siguiendo el auge de las redes sociales y permiten una simple y completa
adquisición de datos relacionados con las relaciones sociales de los usuarios.
La investigación en esta área aún se encuentra en su fase inicial y los resultados sobre los sistemas
el rendimiento es mixto. Por ejemplo, [34, 64] informan que, en general, las redes sociales
Las recomendaciones basadas no son más precisas que las derivadas de los métodos tradicionales.
Enfoques de CF, excepto en casos especiales, como cuando las calificaciones de los usuarios de un artículo específico
son muy variados (es decir, elementos controvertidos) o para situaciones de arranque en frío, es decir, donde el
los usuarios no proporcionaron suficientes calificaciones para calcular la similitud con otros usuarios. Otros
han demostrado que, en algunos casos, los datos de las redes sociales ofrecen mejores recomendaciones
que los datos de similitud de perfil [37] y que agregar datos de redes sociales a los datos tradicionales
La FQ mejora los resultados de las recomendaciones [36]. El capítulo 20 proporciona una revisión de la
hallazgos en este campo y analiza los resultados actuales.
Sistemas de recomendación híbridos: estos RS se basan en la combinación de
técnicas antes mencionadas. Un sistema híbrido que combina las técnicas A y B intenta
utilizar las ventajas de A para corregir las desventajas de B. Por ejemplo, los métodos CF
sufren problemas con artículos nuevos, es decir, no pueden recomendar artículos que no tienen
calificaciones. Esto no limita los enfoques basados en contenido, ya que la predicción de nuevos
elementos se basa en su descripción (características) que suelen estar fácilmente disponibles. Dado
dos (o más) técnicas básicas de RS, se han propuesto varias formas de combinar
ellos para crear un nuevo sistema híbrido (ver [25] para las descripciones precisas).
Como ya hemos mencionado, el contexto del usuario cuando busca un
La recomendación se puede utilizar para personalizar mejor la salida del sistema. Para
Por ejemplo, en un contexto temporal, las recomendaciones de vacaciones en invierno deben ser muy
diferentes a las que se ofrecen en verano. O una recomendación de restaurante para un
Página 14
14 Francesco Ricci, Lior Rokach y Bracha Shapira
El sábado por la noche con tus amigos debe ser diferente al sugerido para un
Almuerzo de la jornada laboral con compañeros de trabajo.
El capítulo 7 presenta la noción general de contexto y cómo se puede modelar en
RSs. Discutir las posibilidades de combinar varias recomendaciones sensibles al contexto
técnicas de aplicación en un único enfoque unificado, los autores también proporcionan un estudio de caso
de uno de esos enfoques combinados.
Tres paradigmas algorítmicos diferentes para incorporar información contextual
en el proceso de recomendación se discuten: basado en reducción (prefiltrado), con-
post-filtrado textual y modelado de contexto. En métodos basados en reducción (prefiltrado)
ods, solo la información que coincide con el contexto de uso actual, por ejemplo, las calificaciones
para los elementos evaluados en el mismo contexto, se utilizan para calcular las recomendaciones.
En el filtrado posterior contextual, el algoritmo de recomendación ignora el contexto en
formación. La salida del algoritmo se filtra / ajusta para incluir solo los registros
recomendaciones que son relevantes en el contexto de destino. En el modelado contextual,
el más sofisticado de los tres enfoques, los datos de contexto se utilizan explícitamente en el
modelo de predicción.
https://translate.googleusercontent.com/translate_f 13/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
La investigación del sistema de recomendación se está llevando a cabo con un fuerte énfasis en la práctica.
tica y aplicaciones comerciales, ya que, aparte de su aporte teórico, es
generalmente destinado a mejorar prácticamente los RS comerciales. Por lo tanto, la investigación de RS en
Incluye aspectos prácticos que se aplican a la implementación de estos sistemas. Estas
aspectos son relevantes para las diferentes etapas del ciclo de vida de un RS, a saber, el desarrollo
signo del sistema, su implementación y su mantenimiento y mejora durante
operación del sistema.
Los aspectos que se aplican a la etapa de diseño incluyen factores que pueden afectar la
elección del algoritmo. El primer factor a considerar, el dominio de la aplicación, tiene un
efecto importante sobre el enfoque algorítmico que debe adoptarse. [72] proporcionar un taxón
omisión de RS y clasifique las aplicaciones de RS existentes en dominios de aplicación específicos.
Basándonos en estos dominios de aplicación específicos, definimos clases más generales de
red para las aplicaciones de sistemas de recomendación más comunes:
A medida que los sistemas de recomendación se vuelven más populares, se despierta el interés en la política
ventajas potenciales en nuevas aplicaciones, como recomendar amigos o tweets a
Página 15
1 Manual de introducción a los sistemas de recomendación 15
siga como en www.tweeter.com. Por tanto, la lista anterior no puede cubrir todas las aplicaciones
dominios de acción que ahora están siendo abordados por técnicas de RS; da solo una inicial
descripción de los distintos tipos de dominios de aplicación.
El desarrollador de un RS para un determinado dominio de aplicación debe comprender el
facetas específicas del dominio, sus requisitos, desafíos de aplicación y limitaciones
ciones. Solo después de analizar estos factores se podría seleccionar el óptimo
algoritmo de recomendación y para diseñar una interacción persona-computadora efectiva.
El Capítulo 11 de este manual proporciona pautas para hacer coincidir la aplicación
dominio a la técnica de recomendación. Burke y Ramezani en su capítulo
proporcionar una nueva clasificación de los sistemas de recomendación. A diferencia de las clasificaciones anteriores
de RS (como [25, 94, 3, 7]), Burke y Ramezani adoptan un enfoque centrado en la IA, y
centrarse en las fuentes de conocimiento necesarias para los diferentes enfoques de recomendación,
y las limitaciones relacionadas con ellos como guía básica para elegir el algoritmo.
El capítulo analiza la aplicabilidad de varias técnicas de recomendación para
diferentes tipos de problemas y sugiere pautas para la toma de decisiones en la selección
estas técnicas.
El capítulo apunta explícitamente a los implementadores del sistema como "recomendadores" para el
enfoque de recomendación correcto. Los autores describen las fuentes de conocimiento que
están disponibles para un sistema de recomendación en diferentes dominios e identifican qué
Se requieren fuentes de conocimiento para cada técnica de recomendación. Esto implica
que el diseño de un sistema de recomendación debe primero enfatizar el análisis de la
fuentes de conocimiento disponibles y luego decidir sobre el algoritmo en consecuencia.
Otro ejemplo de la necesidad de ajustar el enfoque del recomendador al dominio
https://translate.googleusercontent.com/translate_f 14/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
se describe en
aprendizaje el Capítulo
mejorado 12, TEL,
(TEL). que trata
que de los sistemascubre
generalmente de recomendación para
tecnologías que admiten
todas las formas de actividades de enseñanza y aprendizaje, tiene como objetivo diseñar, desarrollar y probar
Desarrollar nuevos métodos y tecnologías para mejorar las prácticas de aprendizaje de ambos individuos.
y organizaciones. TEL puede beneficiarse enormemente de la integración de sistemas de recomendación
tecnología para personalizar el proceso de aprendizaje y ajustarlo a la experiencia del usuario
conocimientos, habilidades y preferencias. El capítulo presenta los requisitos particulares
mentos de RS para TEL; las tareas de usuario que se admiten en la configuración de TEL; y cómo
estas tareas se comparan con las tareas típicas de los usuarios en otros RS. Por ejemplo, una particu-
tarea de usuario lar para TEL - "encontrar recursos novedosos" - intenta recomendar sólo nuevos
o artículos novedosos. O, para citar otro ejemplo, - "encontrar nuevos caminos" - está preocupado
con la recomendación de caminos alternativos a través de los recursos de aprendizaje. El cap-
ter presenta un análisis de los enfoques de filtrado que podrían ser útiles para TEL a lo largo de
con una encuesta de los sistemas TEL existentes que ilustran las técnicas de recomendación
que se han implementado en estos sistemas.
El capítulo 10 analiza los aspectos prácticos del desarrollo de RS y tiene como objetivo proporcionar
pautas prácticas para el diseño, implementación y evaluación de
sistemas. Además del algoritmo de predicción, se deben considerar muchos otros factores
al diseñar un RS. El capítulo 10 enumera algunos de estos elementos: el tipo de objetivo
usuarios y su contexto; los dispositivos que usarían; el papel del recomendado
dación dentro de la aplicación; el objetivo de la recomendación; y, como se mencionó
anteriormente, los datos que están disponibles.
Página 16
dieciséis Francesco Ricci, Lior Rokach y Bracha Shapira
Los autores proponen construir un modelo del medio ambiente basado en tres dimensiones
siones: usuarios del sistema; las características de los datos; y la aplicación general. los
El diseño del sistema de recomendación se basará en este modelo. Los autores ilustran su
directrices y el modelo sobre un sistema de recomendación de noticias que han desarrollado
oped.
Otro tema importante relacionado con el aspecto práctico de la implementación de RS es el
necesidad de evaluarlos. Se requiere evaluación en diferentes etapas de los sistemas.
ciclo de vida para diversos fines [25, 1]. En el momento del diseño, se requiere una evaluación para
verificar la selección del enfoque de recomendación apropiado. En la fase de diseño,
La evaluación debe implementarse fuera de línea y los algoritmos de recomendación
en comparación con las interacciones del usuario. La evaluación fuera de línea consiste en ejecutar varios
algoritmos en los mismos conjuntos de datos de interacciones del usuario (por ejemplo, calificaciones) y comparando
Su desempeño. Este tipo de evaluación generalmente se lleva a cabo en el público existente.
comparar los datos si se dispone de datos adecuados o, de lo contrario, sobre los datos recopilados. los
El diseño de los experimentos fuera de línea debe seguir las prácticas conocidas de diseño de experimentos.
[11] para garantizar resultados fiables.
También se requiere evaluación después de que se haya lanzado el sistema. Los algoritmos
puede ser muy preciso para resolver el problema central de la recomendación, es decir, predecir
calificaciones de los usuarios, pero por alguna otra razón, es posible que los usuarios no acepten el sistema, por ejemplo,
porque el rendimiento del sistema no es el esperado. En esta etapa suele ser
beneficioso para realizar evaluaciones en línea con usuarios reales del sistema y analizar
registros del sistema para mejorar el rendimiento del sistema. Además, la mayoría de los
Los goritmos incluyen parámetros, como umbrales de pesos, el número de vecinos,
etc., requiriendo ajuste y calibración constantes.
Otro tipo de evaluación es un estudio de usuario enfocado que se puede realizar cuando
la evaluación en línea no es factible o demasiado arriesgada. En este tipo de evaluación, una con-
https://translate.googleusercontent.com/translate_f 15/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Se planifica un experimento controlado en el que se pide a un pequeño grupo de usuarios que realicen
diferentes tareas con varias versiones del sistema. Entonces es posible analizar
el rendimiento de los usuarios y distribuir cuestionarios para que los usuarios puedan informar sobre
su experiencia. En tales experimentos es posible recolectar tanto cuantitativos como
información cualitativa sobre los sistemas.
La evaluación también se analiza en el Capítulo 12 en el contexto de los sistemas TEL. los
Los autores proporcionan un análisis detallado de los métodos y herramientas de evaluación que pueden
empleada para evaluar las técnicas de recomendación TEL frente a un conjunto de criterios
que se proponen para cada uno de los componentes seleccionados (por ejemplo, modelo de usuario, dominio
modelo, estrategia de recomendación y algoritmo).
El capítulo 8 detalla tres tipos de experimentos que se pueden realizar para
evaluar los sistemas de recomendación. Presenta sus ventajas y desventajas, y
define pautas para elegir los métodos de evaluación. A diferencia de lo existente
discusiones de la evaluación en la literatura que generalmente habla sobre la precisión de
una predicción de algoritmos [25] y medidas relacionadas, este capítulo es único en su aplicación
Aproxímese a la discusión de la evaluación, ya que se centra en la evaluación dirigida a la propiedad.
Proporciona un gran conjunto de propiedades (distintas de la precisión) que son relevantes para la
éxito de los sistemas. Para cada una de las propiedades, el tipo apropiado de experimento y
Página 17
1 Manual de introducción a los sistemas de recomendación 17
Se sugieren las medidas pertinentes. Entre la lista de propiedades están: cobertura, frío
inicio, confianza, confianza, novedad, riesgo y serendipia.
Al discutir los aspectos prácticos de los RS, puede ser beneficioso analizar
implementaciones de sistemas reales. La idea es probar supuestos teóricamente intuitivos
para determinar si funcionan en la práctica. El principal problema al que uno debe enfrentarse
en este caso proviene del hecho de que los propietarios de RS comerciales son generalmente
no están dispuestos a revelar sus prácticas y hay relativamente pocas oportunidades para
tal cooperación.
El capítulo 9 informa sobre tal oportunidad y describe el funcionamiento de un
RS, ilustrando los aspectos prácticos que se aplican a la etapa de implementación del
Desarrollo de RS y su evaluación. Esta descripción se centra en la integración de
un RS en el entorno de producción de Fastweb, uno de los mayores IP europeos
Proveedores de televisión (IPTV). El capítulo describe los requisitos y consideraciones
aciones, incluida la escala y la precisión, que llevaron a la elección del recomendante
algoritmos. También describe las evaluaciones fuera de línea y en línea que tuvieron lugar y
ilustra cómo se ajusta el sistema en consecuencia.
Como hemos ilustrado en secciones anteriores, los investigadores se han preocupado principalmente
con el diseño de una gama de soluciones técnicas, aprovechando diversas fuentes de conocimiento
Edge para lograr mejores predicciones sobre lo que le gusta y cuánto le gusta al objetivo
usuario. El supuesto subyacente detrás de esta actividad de investigación es que simplemente presentar
estas recomendaciones correctas, es decir, las mejores opciones, deberían ser suficientes. En otra
palabras, las recomendaciones deben hablar por sí mismas, y el usuario debe definir
Acepte de inmediato las recomendaciones si son correctas. Esto es claramente un
cuenta simplificada del problema de recomendación y no es tan fácil de entregar
https://translate.googleusercontent.com/translate_f 16/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
recomendaciones.
En la práctica, los usuarios necesitan recomendaciones porque no tienen suficientes
conocimiento para tomar una decisión autónoma. En consecuencia, puede que no sea fácil para
ellos para evaluar la recomendación propuesta. Por tanto, varios investigadores han
traté de comprender los factores que conducen a la aceptación de una recomendación por parte de un
usuario dado [105, 30, 24, 97, 33].
[105] fue uno de los primeros en señalar que la eficacia de un RS depende
afectar a factores que van más allá de la calidad del algoritmo de predicción. De hecho, el
El recomendador también debe convencer a los usuarios de que prueben (o lean, compren, escuchen, vean) la
artículos enmendados. Esto, por supuesto, depende de las características individuales del
elementos seleccionados y, por tanto, en el algoritmo de recomendación. El proceso también
Depende, sin embargo, de la interacción persona / computadora particular soportada por el
sistema cuando los elementos se presentan, comparan y explican. [105] encontró que
desde la perspectiva de los usuarios, un sistema de recomendación eficaz debe inspirar confianza en
el sistema; debe tener una lógica del sistema que sea al menos algo transparente; eso
debe orientar a los usuarios hacia elementos nuevos que aún no han experimentado; debe proporcionar detalles
Página 18
18 Francesco Ricci, Lior Rokach y Bracha Shapira
En primer lugar, centrémonos en la confianza. Hay dos nociones diferentes de confianza que son
discutido en este manual: confianza en los otros usuarios del recomendador y confianza
sobre las recomendaciones de un sistema.
El capítulo 20 se centra en la primera noción y considera una clase de recomendador
sistemas denominados “sistemas de recomendación social”. Estos sistemas intentan generar
recomendaciones más útiles derivadas de la información sobre los perfiles de usuario y
relaciones entre usuarios que hoy en día se pueden encontrar prácticamente en todas partes; p.ej
en sitios de redes sociales como Facebook, LinkedIn y MySpace. Dado que la confianza
Los sistemas de recomendación basados en explotar principalmente las relaciones de confianza que se encuentran en estos
sitios de redes sociales para crear nuevos algoritmos de recomendación (p. ej., [34]),
todavía operan en el problema central de predicción de calificaciones, pero usan relaciones de confianza. los
La principal ventaja que se alega es que los usuarios conocerán la naturaleza de la recomendación.
daciones, es decir, cómo se han identificado, y tenderán a depositar una mayor confianza en
https://translate.googleusercontent.com/translate_f 17/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
estas recomendaciones. En otras palabras, se puede explotar la confianza mutua de los usuarios.
también para aumentar la confianza en el sistema.
La confianza en las recomendaciones del sistema se analiza en el Capítulo 15. En este capítulo, la
El alcance principal es en realidad el papel de las explicaciones en los RS y la confianza surge como una
siete roles que pueden jugarse mediante explicaciones en RS. Estos roles son: transparencia
- explicar cómo funciona el sistema; escrutabilidad: permite a los usuarios decirle al sistema
está mal [50]; confianza: aumentar la confianza del usuario en el sistema; efectividad -
ayudar a los usuarios a tomar buenas decisiones; capacidad de persuasión: convencer a los usuarios de que prueben o compren;
eficiencia: ayuda a los usuarios a tomar decisiones más rápidamente; y satisfacción - aumentando el
facilidad de uso o disfrute.
Este capítulo también ilustra una variedad de enfoques para construir explicaciones. En
el estilo de filtrado colaborativo, es decir, la explicación es de la forma "Otros usuarios sim-
ilar te gustó este artículo ”. En las explicaciones de estilo basadas en contenido, los atributos del elemento
Página 19
1 Manual de introducción a los sistemas de recomendación 19
Se ilustran los que más afectaron al artículo a recomendar al usuario. Por ex-
amplia, en una recomendación de película, una explicación puede tener el formato "Esta película
se recomendó porque está protagonizado por Bruce Wills, a quien parece gustarle ", o" Elemento X
se recomendó debido a las características A y B que comparten los elementos Y y
Z, que calificaste muy bien ”. En explicaciones de estilo basadas en casos, el sistema se refiere a
elementos que son similares al recomendado, por ejemplo, "El elemento se recomendó
remendado porque dijiste que posees el artículo X ”o“ Estos artículos se recomiendan según
en los elementos vistos más recientemente ”. Y finalmente, en un estilo basado en el conocimiento,
naciones, el sistema explica las diferencias entre el artículo recomendado y
otro elemento y cómo sirve para el objetivo del usuario: "Esta habitación tiene vista al mar y es
más grande que la habitación recomendada anteriormente, lo que la hará más romántica ya que
usted solicitó".
Volviendo a la confianza, vemos que sirve como medio para conseguir el objetivo principal.
del recomendador, es decir, para convencer al usuario de que acepte las recomendaciones y
pruebe uno de los elementos recomendados. Esta cuestión está relacionada en última instancia con la
la conveniencia de la RS completa, es decir, cómo los diversos elementos de la RS, incluyendo qué
y cómo se recomienda un elemento, en realidad funciona durante la intervención humana / informática.
teracción. Este tema se discute en el Capítulo 14. Aquí los autores enfatizan que un
La recomendación se considera un consejo creíble y en realidad se tiene en cuenta, no
sólo por las percepciones del usuario sobre la recomendación, sino también por la
papel fundamental del sistema que se percibe como asesor-asesor. De hecho, el
La literatura sobre persuasión sugiere que es probable que la gente acepte recomendaciones
ciones de fuentes creíbles y, por lo tanto, concluimos que la credibilidad de la RS
es vital para aumentar la probabilidad de aceptación de la recomendación. Por tanto, el au-
Los autores discuten cómo se puede mejorar la credibilidad de los RS, proporcionando una sinopsis de
investigación relacionada con la credibilidad.
https://translate.googleusercontent.com/translate_f 18/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
este modelo no es efectivo ya que los usuarios pueden no ser plenamente conscientes de sus preferencias
hasta que hayan interactuado hasta cierto punto con el sistema y entiendan aproximadamente
la gama de alternativas. O tal vez quieran explorar varias opciones alternativas.
antes de convencerse de que algunas de las recomendaciones pueden ser adecuadas para ellos. Hay
También la posibilidad de que el sistema pueda estar inicialmente equivocado en sus sugerencias y la
el usuario puede estar dispuesto a proporcionar información adicional que pueda solucionar estos problemas,
y eventualmente obtener mejores recomendaciones.
Estos aspectos han sido enfatizados y abordados por investigadores comprometidos en seguir
una línea de investigación que se conoce comúnmente como “RS conversacionales” [27, 110, 67, 60].
Los RS conversacionales utilizan una amplia gama de técnicas para la predicción de calificaciones o la clasificación.
En g. Sin embargo, todos intentan respaldar un proceso interactivo en el que tanto el usuario como
Página 20
20 Francesco Ricci, Lior Rokach y Bracha Shapira
https://translate.googleusercontent.com/translate_f 19/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
se basa en una métrica de similitud. En tales casos, una consulta siempre puede recuperar y clasificar
todos los productos contenidos en el catálogo ya que un producto es siempre, en cierta medida,
similar a un producto de sonda (consulta). Si el lenguaje de consulta admite otras restricciones
(por ejemplo, restricciones de igualdad o rango) la consulta puede no devolver un producto que satisfaga
ing la consulta [47, 71, 31]. En este caso se han propuesto varias técnicas para
reparar la consulta relajando la cantidad mínima de restricciones para que se satisfaga
inflable. Este tema también se trata en un capítulo dedicado a los RS basados en restricciones.
(Capítulo 6).
Página 21
1 Manual de introducción a los sistemas de recomendación 21
1.6.3 Visualización
Hemos destacado hasta ahora algunos problemas de HCI que se han abordado en la investigación de RS
y que se analizan en este manual. En resumen, hemos observado que la forma en que
El sistema presenta y visualiza la recomendación calculada es obviamente un
factor para la aceptación de las recomendaciones y la RS.
Las técnicas de presentación y explicación no se pueden separar fácilmente; una buena presen-
tcnica de tation tambin es capaz de explicar recomendaciones pero tambin de motivar
obligar al usuario a realizar más solicitudes, incluidas solicitudes de explicaciones. Uno
Un aspecto común en las tecnologías presentadas hasta ahora es el hecho de que las recomendaciones
se presentan como una lista de elementos. La longitud de esta lista puede variar, pero la salida del
El algoritmo de recomendación central es normalmente una lista clasificada y esto siempre ha sido
explotado en la presentación.
En este manual incluimos un capítulo que ilustra un enfoque de presentación.
que se desvía de este paradigma. En el capítulo 17, los autores observan que mucha
La formación se pierde en el enfoque de visualización de lista clasificada, ya que dos productos, ambos
de los cuales coinciden con la consulta del usuario o el modelo de usuario, pueden diferir entre sí según
en un conjunto completamente diferente de características del producto. Si uno está usando dos dimensiones
visualización de las recomendaciones basada en mapas, es posible retener parte
de esta información. En el mapa, uno puede posicionar, en un área restringida del mapa, rec-
recomendaciones que son similares entre sí. Este capítulo presenta dos enfoques
para construir este mapa bidimensional de las recomendaciones y analiza sus
ventajas y desventajas.
https://translate.googleusercontent.com/translate_f 20/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
ing Muchos
algoritmosRSpara
se centran enlas
predecir el uso de varios de
evaluaciones métodos de aprendizaje
los usuarios automáticooypara
para los elementos, minería de datos.
aprender a
clasificar elementos para un usuario. El capítulo 2 de este manual ofrece una descripción general de los principales
técnicas de minería de datos utilizadas en el contexto de los métodos de preprocesamiento de RS, tales como:
muestreo o reducción de dimensionalidad; técnicas de clasificación, como bayesiana
Página 22
22 Francesco Ricci, Lior Rokach y Bracha Shapira
https://translate.googleusercontent.com/translate_f 21/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
búsqueda, se
resultados quebeneficia de la propiedad
se ven afectados de medio social
por la experiencia y las de la Web al proporcionar
preferencias búsquedalos
de usuarios similares.
los autores prevén una "convergencia de los sistemas de recomendación y los sistemas de búsqueda" y
Página 23
1 Manual de introducción a los sistemas de recomendación 23
creen que la integración de estas fuentes en los algoritmos de los motores de búsqueda daría como resultado
usuarios muy satisfechos que reciben la información correcta en el momento adecuado.
Otros capítulos que están relacionados con la investigación de RI e ilustran técnicas que son
estudiados en esta área incluyen: Capítulo 19, que aborda problemas relacionados con la recuperación
de contenido de información basado en etiquetas y el Capítulo 3, que presenta una descripción general del contenido
enfoques basados que están fuertemente arraigados en las tecnologías actuales de los motores de búsqueda.
Finalmente, los RS están dirigidos en última instancia a proporcionar información útil a los usuarios y para
esa razón HCI juega un papel fundamental en la aceptación final de la computación
recomendaciones. De hecho, varios estudios de campo han indicado claramente que desde un
Desde la perspectiva del usuario, los aspectos de HCI relacionados con la usabilidad del sistema tienen una tremenda
efecto sobre la voluntad de los usuarios de explorar realmente una recomendación de sistemas
y proporcionar información al sistema a cambio de recomendaciones más efectivas.
Estos temas se discutieron previamente en la Sección 1.6.
De las páginas anteriores se desprende claramente que la investigación sobre RS está evolucionando en muchos y diversos
nuevas direcciones y nuevos temas están surgiendo o se están convirtiendo en temas más importantes de
vestigación. También se remite al lector a las actas de las últimas ediciones de la
Conferencias ACM RecSys y varios otros excelentes artículos de revisión para obtener información adicional
material [7, 3]. En este manual cubrimos algunos de estos temas. De hecho, varios han
ya se han presentado, tales como: recomendación sensible al contexto (Capítulo 7); nueva visu-
técnicas de alización (Capítulo 17); búsqueda personalizada basada en la comunidad (Capítulo
18); RS basada en la confianza (Capítulo 20). Otros temas importantes se tratan en los dos últimos
secciones de este manual y ahora queremos presentar brevemente estos capítulos.
El capítulo 19 presenta los sistemas de etiquetado social (STS), un nuevo tema relacionado con RS que
emergente debido al crecimiento de las aplicaciones Web 2.0. STS como Flickr, Bibsonomy,
o Delicious, permiten al usuario común publicar y editar contenido, así como generar
erate y comparte etiquetas (es decir, palabras clave gratuitas). Los usuarios de STS están experimentando información
problemas de sobrecarga ya que los STS son utilizados por millones de usuarios que ingresan al sistema
Contenido incontrolado y etiquetas que plantean dificultades de recuperación para IR tradicionales.
sistemas. Por lo tanto, se requiere que los RS ayuden a los usuarios a encontrar información relevante y
algunos STS comerciales están comenzando a ofrecer recomendaciones (por ejemplo, Delicious).
El capítulo analiza los nuevos desafíos que enfrentan los RS para STS, como nuevos
tareas de recomendación. Estos incluyen no solo recomendaciones tradicionales con respecto a
contenido, sino también recomendaciones para etiquetas relevantes e incluso otros usuarios relevantes.
Recomendación de etiquetas (es decir, recomendar a los usuarios etiquetas relevantes para un artículo),
tiene características diferentes a las recomendaciones tradicionales ya que el sistema puede
recomendar etiquetas recurrentes, a diferencia de los RS tradicionales que generalmente no recomiendan
el mismo artículo dos veces. Además, los RS para STS tratan con un problema tridimensional
https://translate.googleusercontent.com/translate_f 22/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Página 24
24 Francesco Ricci, Lior Rokach y Bracha Shapira
lem (usuario, recurso, etiqueta), en lugar del problema bidimensional tradicional (usuario,
item), y esto afecta la complejidad de los algoritmos. El capítulo incluye un estado-
Encuesta de última generación sobre la nueva generación de RS construidos para servir a STS. También detalla
los desafíos de implementar RS para STS del mundo real, y ofrece nuevos algoritmos para
lidiar con los desafíos del contenido tanto en STS como en la recomendación de etiquetas.
El capítulo 21 trata de aquellas situaciones en las que sería bueno que el sistema pudiera
recomendar información o elementos que sean relevantes para un grupo de usuarios en lugar de para
un individuo. Por ejemplo, un RS puede seleccionar programas de televisión para que los vea un grupo.
o una secuencia de canciones para escuchar, basada en modelos de todos los miembros del grupo. Recom-
Remendar a grupos es claramente más complicado que recomendar a individuos.
Suponiendo que sepamos con precisión lo que es bueno para los usuarios individuales, la cuestión es cómo
para combinar modelos de usuarios individuales. En este capítulo, los autores discuten cómo el grupo
La recomendación funciona, cuáles son sus problemas y qué avances se han realizado.
hasta aquí.
El capítulo 22 analiza el tema omnipresente de agregar preferencias, criterios o
similitudes. Normalmente, dicha agregación se realiza utilizando la media aritmética
o funciones de máximo / mínimo. Pero muchas otras funciones de agregación que
podría ofrecer flexibilidad y adaptabilidad y, en última instancia, recomendaciones más relevantes
daciones, a menudo se pasan por alto. En este capítulo, los autores revisan los conceptos básicos de
gregation functions y sus propiedades y presentan las familias más importantes,
incluyendo medias generalizadas, integrales de Choquet y Sugeno, promedios ponderados ordenados
Edades, normas triangulares y conormas, así como funciones de agregación bipolar.
Tales funciones pueden modelar varias interacciones entre las entradas, incluidas las
Comportamiento conjuntivo, disyuntivo y mixto.
En el capítulo 23, los autores se centran en otro problema fundamental de los RS, es decir, la
necesidad de buscar activamente nuevos datos durante la vida operativa del recomendador.
Este problema normalmente se pasa por alto en el supuesto de que no hay mucho espacio para
Controlar qué datos (por ejemplo, calificaciones) puede recopilar el sistema, ya que estas decisiones son
que toman los usuarios al visitar el sistema. En realidad, el RS provoca a los usuarios
con sus recomendaciones y muchos sistemas solicitan explícitamente las preferencias del usuario
encesiones durante el proceso de recomendación. Por lo tanto, al ajustar el proceso, los usuarios pueden
ser empujado a proporcionar una gama de información diferente. Específicamente se pueden volver a
solicitados para calificar elementos particulares y el conocimiento de las opiniones de los usuarios sobre estos
Los artículos podrían estimarse como particularmente beneficiosos de acuerdo con varios criterios, por ejemplo,
para proporcionar recomendaciones más diversas o simplemente para mejorar la precisión de la predicción
el sistema para algunos usuarios o para toda la población de usuarios. En este punto
entra el aprendizaje activo; puede aumentar los RS, lo que ayuda a los usuarios a ser más autónomos
conscientes de sus propios gustos / disgustos, lo que lleva a preguntas más significativas y útiles.
Al mismo tiempo, el aprendizaje activo puede proporcionar nueva información al sistema que
se puede analizar para recomendaciones posteriores. Por lo tanto, aplicar el aprendizaje activo
a RS permite la personalización del proceso de recomendación [61]. Esto es acom-
establecido al permitir que el sistema influya activamente en los elementos a los que está expuesto el usuario
(por ejemplo, los elementos que se muestran al usuario durante el registro o durante el uso regular), así como
permitiendo al usuario explorar sus intereses libremente.
https://translate.googleusercontent.com/translate_f 23/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Página 25
1 Manual de introducción a los sistemas de recomendación 25
https://translate.googleusercontent.com/translate_f 24/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Página 26
1.8.2 Desafíos
• Escalabilidad de los algoritmos con conjuntos de datos grandes y del mundo real. Como la investigacion
en las técnicas básicas progresa y madura, queda claro que un
El problema para los RS es determinar cómo integrar las técnicas de recomendación básicas
en sistemas operativos reales y cómo tratar con conjuntos de datos masivos y dinámicos
producido por las interacciones de los usuarios con los elementos (calificaciones, preferencias, reseñas,
etc.). Una solución que funciona bien cuando se prueba fuera de línea en conjuntos de datos relativamente pequeños
puede volverse ineficaz o incluso totalmente inaplicable en conjuntos de datos muy grandes. Nuevo
Se necesitan enfoques y estudios de evaluación a gran escala [91, 92, 33, 38, 116, 75,
75].
• Sistemas de recomendación proactivos, es decir, recomendadores que deciden proporcionar recomendaciones.
omisiones incluso si no se solicitan explícitamente [90, 24, 62, 80]. El ma-
la mayoría de los sistemas de recomendación desarrollados hasta ahora siguen un modelo de “tracción” [94];
donde el usuario origina la solicitud de recomendación. En los escenarios
emergente hoy, donde las computadoras son omnipresentes y los usuarios siempre están conectados,
Parece natural imaginar que un RS puede detectar solicitudes implícitas. Por lo tanto
necesita predecir no solo qué recomendar, sino también cuándo y cómo "presionar"
sus recomendaciones. De esta manera, el RS puede volverse proactivo sin ser
percibido como perturbador.
• Sistemas de recomendación que preservan la privacidad [81, 26, 79, 56, 17, 28, 102, 16, 5, 53,
70, 114]. Los RS explotan los datos del usuario para generar recomendaciones personalizadas. En
el intento de construir recomendaciones cada vez mejores, recopilan tanto
datos de usuario como sea posible. Esto claramente tendrá un impacto negativo en la privacidad de
los usuarios y los usuarios pueden comenzar a sentir que el sistema sabe demasiado sobre
sus verdaderas preferencias. Por lo tanto, existe la necesidad de diseñar soluciones que
Utilizar con parsimonia y sensatez los datos de los usuarios. Al mismo tiempo, estas soluciones
Asegurar que el conocimiento sobre los usuarios no pueda ser accedido libremente por malintencionados.
usuarios.
• Diversidad de los elementos recomendados a un usuario objetivo [104, 66, 69, 55, 54, 46, 119].
En una lista de recomendaciones, es más probable que el usuario encuentre un artículo adecuado si
Existe un cierto grado de diversidad entre los elementos incluidos. A menudo no hay
valor en tener recomendaciones perfectas para un tipo restringido de producto, a menos que
el usuario ha expresado un conjunto limitado de preferencias. Hay muchas situaciones,
especialmente en la etapa inicial de un proceso de recomendación, en el que los usuarios desean
para explorar direcciones nuevas y diversas. En tales casos, el usuario utiliza las recomendaciones
mender como herramienta de descubrimiento de conocimientos. La investigación sobre este tema se encuentra todavía en un
Página 27
https://translate.googleusercontent.com/translate_f 25/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Página 28
28 Francesco Ricci, Lior Rokach y Bracha Shapira
https://translate.googleusercontent.com/translate_f 26/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Finalmente,
lenges antes de terminar
que se discutieron esta introducción,
en un tutorial queremos
realizado en la presentar algunos
última conferencia RecSysdesafíos
en Nuevaadicionales.
York, 22 al 25 de octubre de 2009 [http://recsys.acm.org/tutorial3.pdf]. John Riedl (Uni-
de Minnesota), Todd Beaupre (Yahoo!) y John Sanders (Netflix) men-
mencionó ocho desafíos importantes para la investigación sobre sistemas de recomendación:
paciencia, exploración versus explotación, navegación guiada, valor del tiempo, acceso del usuario
interpretación, evaluación de recomendadores, escalabilidad, participación académica / industrial
nerships.
Algunas de estas cuestiones ya se han analizado en esta introducción. Para examen-
Por ejemplo, la transparencia se introdujo cuando discutimos el papel de la explicación de
una recomendación, y destacamos el importante papel que desempeña para presentar una
recomendación como más aceptable para el usuario. También la evaluación de RS, es decir, la
rango de dimensiones posibles e importantes que se pueden medir en una evaluación
es un tema que se aborda en su totalidad en otro capítulo (Capítulo 8).
El valor temporal de las recomendaciones también se analiza parcialmente en nuestros comentarios.
sobre los recomendadores sensibles al contexto (Capítulo 7). Sin embargo, el desafío se refiere a
el hecho de que un determinado conjunto de recomendaciones puede no ser aplicable para siempre, pero hay
podría ser un intervalo de tiempo en el que se pueden recomendar estos elementos. Esto es claro, por
ejemplo, cuando se trata de noticias; la gente quiere estar informada sobre la mayoría
Los eventos y noticias recientes no se pueden recomendar de manera significativa ni siquiera un día después
el anuncio inicial.
La exploración frente a la explotación se aborda en el aprendizaje activo (Capítulo 23). Esta
desafío se refiere al dilema fundamental que un diseñador debe abordar adecuadamente,
es decir, si seguir recomendando elementos que el sistema ahora puede identificar como buenos
recomendaciones, dados los datos actualmente disponibles para el sistema o para
explorar las preferencias del usuario (p. ej., pedir que se califiquen elementos adicionales y particulares) en orden
para crear recomendaciones más nuevas y posiblemente mejores en el futuro.
índice Navegación guiada La navegación guiada se refiere a la combinación de
listas de recomendaciones, es decir, sugerencias con herramientas que permiten al usuario navegar más
autónomamente en el espacio de posibles opciones. La interpretación de la acción del usuario se refiere a
la posibilidad de que además de las valoraciones explícitas pueda haber muchas más acciones
realizado por el usuario operando el recomendador que puede ser detectado, analizado
y se utiliza para construir un mejor modelo de predicción. La idea es que cada acción del usuario
debe aprovecharse en el proceso de recomendación. Pero es un desafío interpretar
las acciones del usuario, es decir, la intención detrás de una acción, y hay acciones que deberían
ser descartados porque no fueron producidos por usuarios genuinos, como acciones que
formado por diferentes usuarios en un mismo navegador, o registros falsos y maliciosos
o datos o datos de registro provocados por robots o rastreadores.
La escalabilidad también se mencionó anteriormente. Recalcamos nuevamente que esto es claramente un problema
sobre qué discusión falta en la literatura actual, ya que se ha
investigado por los practicantes.
Finalmente, la discusión en ese taller se volvió bastante animada cuando el asunto
de la cooperación entre la industria y el mundo académico. La industria ha espe-
problemas específicos, pero no los hace claramente visibles. Esto está sucediendo para muchos
razones, incluida la necesidad de no revelar a los competidores información crítica. Estafa-
Página 29
1 Manual de introducción a los sistemas de recomendación 29
Por el contrario, el mundo académico está buscando problemas que puedan abordarse en un marco de
recursos y tiempo disponibles para ellos y generalmente abordará un tema solo si es
probablemente tenga un impacto en la comunidad científica. Esto ha hecho y hará
https://translate.googleusercontent.com/translate_f 27/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
la cooperación entre la industria y el mundo académico es difícil. Pero RS es un campo de investigación que requiere
nuevos desafíos concretos y existe un riesgo real de estancamiento si no
Desafíos útiles pero arriesgados a favor de problemas resueltos o maduros.
Esperamos que este manual, como herramienta útil para profesionales e investigadores,
contribuirá a desarrollar aún más el conocimiento en esta interesante y útil investigación
zona. De esta manera creemos que podemos reducir el riesgo de que estos dos grupos
siga diferentes caminos. Actualmente, la investigación sobre RS se ha beneficiado enormemente de
el interés y los esfuerzos combinados que la industria y la academia han invertido en este
campo. Por lo tanto, deseamos lo mejor a ambos grupos mientras leen este manual y nosotros
Espero que atraiga aún más investigadores para trabajar en este interesante y
campo desafiante.
Referencias
Página 30
30 Francesco Ricci, Lior Rokach y Bracha Shapira
https://translate.googleusercontent.com/translate_f 28/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
16. Berkovsky, S., Borisov, N., Eytani, Y., Kuflik, T., Ricci, F .: Examinar la actitud de los usuarios hacia
filtrado colaborativo que preserva la privacidad. En: Taller internacional sobre minería de datos para
User Modeling, en User Modeling 2007, 11th International Conference, UM 2007, Corfú,
Grecia, 25 de junio de 2007, Actas (2007)
17. Berkovsky, S., Eytani, Y., Kuflik, T., Ricci, F .: Mejora de la privacidad y preservación de la precisión
de un filtrado colaborativo distribuido. En: RecSys '07: Actas de la reunión del ACM 2007
referencia sobre los sistemas de recomendación, págs. 9–16. ACM Press, Nueva York, NY, EE. UU. (2007)
18. Berkovsky, S., Kuflik, T., Ricci, F .: Mediación de técnicas cruzadas de modelos de usuario. En: Proceder-
de la Conferencia Internacional sobre Hipermedia Adaptativa y Sistemas Adaptativos Basados en Web
[AH2006], págs. 21-30. Dublín (2006)
19. Berkovsky, S., Kuflik, T., Ricci, F .: Mediación de modelos de usuario para una mejor personalización en
sistemas de recomendación. Modelado de usuario e interacción adaptada al usuario 18 (3), 245–286 (2008)
20. Berkovsky, S., Kuflik, T., Ricci, F .: Mediación de representación cruzada de modelos de usuario. Usuario
Modelado e interacción adaptada al usuario 19 (1-2), 35–63 (2009)
21. Billsus, D., Pazzani, M .: Aprendizaje de modelos probabilísticos de usuario. En: Taller UM97 sobre Ma-
Aprendizaje chino para modelado de usuarios (1997). URL http://www.dfki.de/˜bauer/
um-ws /
22. Bridge, D., Göker, M., McGinty, L., Smyth, B .: Sistemas de recomendación basados en casos. los
Revisión de ingeniería del conocimiento 20 (3), 315–320 (2006)
23. Brusilovsky, P .: Métodos y técnicas de hipermedia adaptativa. Modelado de usuario y usuario
Interacción adaptada 6 (2-3), 87-129 (1996)
24. Bulander, R., Decker, M., Schiefer, G., Kolmel, B .: Comparación de diferentes enfoques para
la publicidad móvil. Comercio y servicios móviles, 2005. WMCS '05. El segundo IEEE
Taller internacional sobre las págs. 174 a 182 (2005)
25. Burke, R .: Sistemas de recomendación web híbridos. En: The Adaptive Web, págs. 377–408. Saltador
Berlín / Heidelberg (2007)
26. Canny, JF: filtrado colaborativo con privacidad. En: IEEE Symposium on Security and Pri-
vacy, págs. 45–57 (2002)
27. Carenini, G., Smith, J., Poole, D .: Hacia una recomendación más conversacional y colaborativa
sistemas de reparación. En: Actas de la Conferencia Internacional sobre Usuarios Inteligentes de 2003
Interfaces, 12 a 15 de enero de 2003, Miami, FL, EE. UU., Págs. 12 a 18 (2003)
28. Cheng, Z., Hurley, N .: ataques diversos y confusos efectivos sobre recomendaciones basadas en modelos
sistemas de reparación. En: RecSys '09: Actas de la tercera conferencia de ACM sobre recomendador
Systems, págs. 141-148. ACM, Nueva York, NY, EE. UU. (2009)
29. Church, K., Smyth, B., Cotter, P., Bradley, K .: Acceso a la información móvil: un estudio de emergencias
ing comportamiento de búsqueda en Internet móvil. ACM Trans. Web 1 (1), 4 (2007)
30. Cosley, D., Lam, SK, Albert, I., Konstant, JA, Riedl, J .: ¿Ver para creer? cómo rec-
Las interfaces del sistema ommender afectan las opiniones de los usuarios. En: En Actas del CHI 2003
Conferencia sobre factores humanos en sistemas informáticos. Fort Lauderdale, FL (2003)
31. Felfernig, A., Friedrich, G., Schubert, M., Mandl, M., Mairitsch, M., Teppan, E .: Plausible
reparaciones por requisitos inconsistentes. En: Actas de la XXI Conferencia Conjunta Internacional
en Inteligencia Artificial (IJCAI'09), págs. 791–796. Pasadena, California, Estados Unidos (2009)
32. Fisher, G .: Modelado de usuarios en la interacción humano-computadora. Modelado de usuario y adaptado al usuario
Interaction 11, 65–86 (2001)
33. George, T., Merugu, S .: Un marco de filtrado colaborativo escalable basado en la agrupación conjunta.
En: Proceedings of the 5th IEEE Conference on Data Mining (ICDM), págs. 625–628. IEEE
Computer Society, Los Alamitos, CA, EE. UU. (2005)
Página 31
1 Manual de introducción a los sistemas de recomendación 31
34. Golbeck, J .: Generación de recomendaciones de películas predictivas a partir de la confianza en las redes sociales. En:
Trust Management, 4ta Conferencia Internacional, iTrust 2006, Pisa, Italia, 16-19 de mayo de 2006,
Proceedings, págs. 93-104 (2006)
35. Goldberg, D., Nichols, D., Oki, BM, Terry, D .: Uso de filtrado colaborativo para tejer un
tapiz de información. Comun. ACM 35 (12), 61–70 (1992)
36. Groh, G., Ehmig, C .: Recomendaciones en dominios relacionados con el gusto: filtrado colaborativo vs.
filtrado social. En: GRUPO '07: Actas de la conferencia internacional ACM 2007 sobre
Apoyo al trabajo en grupo, págs. 127-136. ACM, Nueva York, NY, EE. UU. (2007)
37. Guy, I., Zwerdling, N., Carmel, D., Ronen, I., Uziel, E., Yogev, S., Ofek-Koifman, S .: Per-
recomendación sonalizada de elementos de software social basados en las relaciones sociales. En: RecSys
'09: Actas de la tercera conferencia de ACM sobre sistemas de recomendación, págs. 53–60. ACM,
https://translate.googleusercontent.com/translate_f 29/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
p g
Nueva York, NY, EE. UU. (2009)
38. Han, P., Xie, B., Yang, F., Sheng, R .: Un sistema de recomendación p2p escalable basado en
filtrado colaborativo tributo. Sistemas expertos con aplicaciones (2004)
39. Hayes, C., Cunningham, P .: Radio de música basada en la comunidad Smartradio. Basado en conocimiento
Sistemas 14 (3-4), 197-201 (2001)
40. He, L., Zhang, J., Zhuo, L., Shen, L .: Construcción del perfil de preferencias del usuario en un
recuperación de imágenes. En: Redes neuronales y procesamiento de señales, Conferencia Internacional 2008
on, págs. 434–439 (2008)
41. Heckmann, D., Schwartz, T., Brandherm, B., Schmitz, M., von Wilamowitz-Moellendorff,
M .: Gumo - la ontología del modelo de usuario general. En: User Modeling 2005, 10th International
Conferencia, UM 2005, Edimburgo, Escocia, Reino Unido, 24-29 de julio de 2005, Actas, págs. 428–
432 (2005)
42. Herlocker, J., Konstan, J., Riedl, J .: Explicando las recomendaciones de filtrado colaborativo. En:
En las actas de la Conferencia ACM 2000 sobre trabajo cooperativo asistido por computadora, págs.
241–250 (2000)
43. Herlocker, JL, Konstan, JA, Terveen, LG, Riedl, JT: Evaluación del filtrado colaborativo
sistemas de recomendación. Transacción ACM sobre sistemas de información 22 (1), 5–53 (2004)
44. Horozov, T., Narasimhan, N., Vasudevan, V .: Uso de la ubicación para recomendaciones personalizadas de PDI
daciones en entornos móviles. En: Proc. Int'l Sym. Aplicaciones en Internet, págs. 124-129.
Sociedad de Informática EEE (2006)
45. Hurley, N., Cheng, Z., Zhang, M .: Detección estadística de ataques. En: RecSys '09: Actas
de la tercera conferencia de ACM sobre sistemas de recomendación, págs. 149-156. ACM, Nueva York, NY,
Estados Unidos (2009)
46. Hwang, CS, Kuo, N., Yu, P .: Recuperación de diversidad basada en representantes. En: Innovative Com-
Poniendo Información y Control, 2008. ICICIC '08. Tercera Conferencia Internacional sobre, págs.
155-155 (2008)
47. Jannach, D .: Encontrar la relajación de consultas preferida en recomendadores basados en contenido. En: 3er
Conferencia internacional IEEE sobre sistemas inteligentes, págs. 355–360 (2006)
48. Jannach, D., Zanker, M., Felfernig, A., Friedrich, G .: Sistemas de recomendación An Introduc-
ción. Prensa de la Universidad de Cambridge (2010)
49. Jessenitschnig, M., Zanker, M .: Un componente de modelado de usuario genérico para recomendaciones híbridas
estrategias de dación. Tecnología de comercio electrónico, Conferencia internacional IEEE el 0, 337–344
(2009). DOI http://doi.ieeecomputersociety.org/10.1109/CEC.2009.83
50. Kay, J .: Adaptación escrupulosa: Porque podemos y debemos. En: Adaptive Hypermedia y
Adaptive Web-Based Systems, 4ta Conferencia Internacional, AH 2006, Dublín, Irlanda, junio
21 a 23, 2006, Actas, págs. 11 a 19 (2006)
51. Kim, CY, Lee, JK, Cho, YH, Kim, DH: Viscors: un recomendador de contenido visual para
web móvil. Sistemas inteligentes IEEE 19 (6), 32–39 (2004)
52. Kobsa, A .: Sistemas genéricos de modelado de usuarios. En: P. Brusilovsky, A. Kobsa, W. Nejdl (eds.) El
Adaptive Web, Lecture Notes in Computer Science , vol. 4321, págs. 136-154. Springer (2007)
53. Kobsa, A .: Personalización con privacidad mejorada. En: D. Wilson, HC Lane (eds.) FLAIRS Con-
ference, pág. 10. AAAI Press (2008)
54. Koren, Y., Bell, RM, Volinsky, C .: Técnicas de factorización matricial para sistemas de recomendación
tems. Computadora IEEE 42 (8), 30–37 (2009)
Página 32
32 Francesco Ricci, Lior Rokach y Bracha Shapira
55. Kramer, R., Modsching, M., ten Hagen, K .: Estudio de campo sobre métodos para la obtención de preferencias
encesos utilizando un asistente digital móvil para un guía turístico dinámico. En: SAC '06: Actas
del simposio de ACM sobre informática aplicada de 2006, págs. 997–1001. ACM Press, Nueva York,
Nueva York, Estados Unidos (2006)
56. Lam, SK, Frankowski, D., Riedl, J .: ¿Confía en sus recomendaciones? una exploración de
cuestiones de seguridad y privacidad en los sistemas de recomendación. En: G. Müller (ed.) ETRICS, Conferencia
Notes in Computer Science , vol. 3995, págs. 14-29. Springer (2006)
57. Lee, H., Park, SJ: Moners: Un recomendador de noticias para la web móvil. Sistemas expertos con
Aplicaciones 32 (1), 143 - 150 (2007)
58. Linden, G., Smith, B., York, J .: recomendaciones de Amazon.com: colaboración de artículo a artículo
filtración. Computación por Internet IEEE 7 (1), 76–80 (2003)
59. Mahmood, T., Ricci, F .: Hacia el aprendizaje de modelos de estados adaptativos del usuario en una rec-
sistema ommender. En: A. Hinneburg (ed.) LWA 2007: Lernen - Wissen - Adaption, Halle,
Septiembre de 2007, Actas del taller, págs. 373–378. Universidad Martin-Luther-Halle-
https://translate.googleusercontent.com/translate_f 30/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
Wittenberg (2007)
60. Mahmood, T., Ricci, F .: Mejorar los sistemas de recomendación con adaptativos conversacionales
estrategias. En: C. Cattuto, G. Ruffo, F. Menczer (eds.) Hipertexto, págs. 73–82. ACM (2009)
61. Mahmood, T., Ricci, F., Venturini, A., Höpken, W .: Sistemas de recomendación adaptativos para viajes
planificación. En: WH Peter OConnor, U. Gretzel (eds.) Tecnología de información y comunicación
nologies in Tourism 2008, actas de la Conferencia Internacional ENTER 2008, págs. 1-11.
Springer, Innsbruck (2008)
62. Mahmoud, Q .: Suministro de anuncios sensibles al contexto para usuarios móviles inalámbricos. Multi-
media and Expo, 2006 IEEE International Conference en págs. 669–672 (2006)
63. Manning, C .: Introducción a la recuperación de información. Prensa de la Universidad de Cambridge, Cambridge
(2008)
64. Massa, P., Avesani, P .: Filtrado colaborativo consciente de la confianza para sistemas de recomendación. En:
Actas de la Conferencia Internacional sobre Sistemas Cooperativos de Información, CoopIS,
págs. 492–508 (2004)
65. McCarthy, K., Salamó, M., Coyle, L., McGinty, L., Smyth, B., Nixon, P .: Grupo recomendado
sistemas de reparación: un enfoque basado en la crítica. En: C. Paris, CL Sidner (eds.) IUI, págs. 267–
269. ACM (2006)
66. McGinty, L., Smyth, B .: Sobre el papel de la diversidad en los sistemas de recomendación conversacional. En:
A. Aamodt, D. Bridge, K. Ashley (eds.) ICCBR 2003, la Quinta Conferencia Internacional sobre
Razonamiento basado en casos, págs. 276–290. Trondheim, Noruega (2003)
67. McGinty, L., Smyth, B .: Selección adaptativa: un análisis de la crítica y la preferencia basada
retroalimentación en sistemas de recomendación conversacional. Revista Internacional de Comercio Electrónico
merce 11 (2), 35–57 (2006)
68. McNee, SM, Riedl, J., Konstan, JA: Ser preciso no es suficiente: cómo las métricas de precisión
han dañado los sistemas de recomendación. En: CHI '06: CHI '06 resúmenes ampliados sobre factores humanos
en sistemas informáticos, págs. 1097-1101. ACM Press, Nueva York, NY, EE. UU. (2006)
69. McSherry, D .: Recuperación consciente de la diversidad. En: S. Craw, A. Preece (eds.) Advances in Case-
Razonamiento basado en casos, Actas de la 6a Conferencia europea sobre razonamiento basado en casos,
ECCBR 2002, págs. 219-233. Springer Verlag, Aberdeen, Escocia (2002)
70. McSherry, F., Mironov, I .: Sistemas de recomendación diferencialmente privados: construcción de privacidad en
la red. En: KDD '09: Actas de la 15a conferencia internacional ACM SIGKDD sobre
Descubrimiento de conocimientos y minería de datos, págs. 627–636. ACM, Nueva York, NY, EE. UU. (2009)
71. Mirzadeh, N., Ricci, F .: Reescritura de consultas cooperativas para apoyo en la toma de decisiones y
sistemas ommender. Inteligencia artificial aplicada 21, 1–38 (2007)
72. Montaner, M., López, B., de la Rosa, JL: Una taxonomía de agentes recomendadores en la inter-
neto. Revisión de inteligencia artificial 19 (4), 285–330 (2003)
73. Nguyen, QN, Ricci, F .: Reproducción de interacciones de usuario en vivo en la evaluación fuera de línea de la crítica.
recomendaciones móviles basadas. En: RecSys '07: Actas de la conferencia ACM 2007
sobre sistemas de recomendación, págs. 81–88. ACM Press, Nueva York, NY, EE. UU. (2007)
Página 33
1 Manual de introducción a los sistemas de recomendación 33
74. Nguyen, QN, Ricci, F .: Recomendaciones conversacionales basadas en casos que explotan una estructura
modelo de caso. En: Avances en el razonamiento basado en casos, 9a Conferencia Europea, ECCBR
2008, Trier, Alemania, 1 al 4 de septiembre de 2008. Actas, págs. 400–414 (2008)
75. Papagelis, M., Rousidis, I., Plexousakis, D., Theoharopoulos, E .: Incremental colaborative
filtrado para algoritmos de recomendación altamente escalables. En: MS Hacid, NV Murray, ZW
Ras, S. Tsumoto (eds.) ISMIS, Lecture Notes in Computer Science , vol. 3488, págs. 553–561.
Springer (2005)
76. Park, MH, Hong, JH, Cho, SB: sistema de recomendación basado en la ubicación utilizando bayesiano
modelo de preferencia del usuario en dispositivos móviles. En: J. Indulska, J. Ma, LT Yang, T. Ungerer,
J. Cao (eds.) UIC, Lecture Notes in Computer Science , vol. 4611, págs. 1130-1139. Saltador
(2007)
77. Park, S., Kang, S., Kim, YK: Un sistema de recomendación de canales en un entorno móvil.
Consumer Electronics, IEEE Transactions on 52 (1), 33–39 (2006). DOI 10.1109 / TCE.2006.
1605022
78. Pazzani, MJ: Un marco para el filtrado colaborativo, basado en contenido y demográfico. Arkansas-
Revisión de inteligencia artificial 13, 393–408 (1999)
79. Polat, H., Du, W .: filtrado colaborativo que preserva la privacidad mediante perturbaciones aleatorias
https://translate.googleusercontent.com/translate_f 31/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
técnicas. En: Proceedings of the 3rd IEEE International Conference on Data Mining
(ICDM 2003), 19 a 22 de diciembre de 2003, Melbourne, Florida, EE. UU., Págs. 625–628 (2003)
80. Puerta Melguizo, MC, Boves, L., Deshpande, A., Ramos, OM: Una recomendación proactiva
sistema de dación para la escritura: ayudar sin interrumpir. En: ECCE '07: Actas de la
14ª conferencia europea sobre ergonomía cognitiva, págs. 89–95. ACM, Nueva York, NY, EE. UU.
(2007). DOI http://doi.acm.org/10.1145/1362550.1362569
81. Ramakrishnan, N., Keller, BJ, Mirza, BJ, Grama, A., Karypis, G .: Cuando ser débil es
valiente: Privacidad en los sistemas de recomendación. Computación en Internet IEEE cs.CG/0105028 (2001)
82. Reilly, J., McCarthy, K., McGinty, L., Smyth, B .: Crítica dinámica. En: Avances en
Razonamiento basado en casos, 7a Conferencia Europea, ECCBR 2004, Madrid, España, agosto
30 - 2 de septiembre de 2004, Actas, págs. 763–777 (2004)
83. Reilly, J., Zhang, J., McGinty, L., Pu, P., Smyth, B .: Evaluating Composite Critiquing Recom-
reparadores: un estudio de usuarios reales. En: EC '07: Actas de la 8a conferencia ACM sobre electrónica
comercio, págs. 114-123. ACM, Nueva York, NY, EE. UU. (2007)
84. Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., Riedl, J .: Grouplens: An open architec-
tura para el filtrado colaborativo de netnews. En: Actas ACM Conference on Computer-
Trabajo cooperativo apoyado, págs. 175–186 (1994)
85. Resnick, P., Varian, HR: Sistemas de recomendación. Comunicaciones del ACM 40 (3), 56–
58 (1997)
86. Ricci, F .: Sistemas de recomendación de viajes. Sistemas inteligentes IEEE 17 (6), 55–57 (2002)
87. Ricci, F., Cavada, D., Mirzadeh, N., Venturini, A .: Recomendaciones de viaje basadas en casos. En:
DR Fesenmaier, K. Woeber, H. Werthner (eds.) Sistemas de recomendación de destinos: Be-
Fundamentos y aplicaciones de havioural, págs. 67–93. CABI (2006)
88. Ricci, F., Missier, FD: Apoyar la toma de decisiones de viaje a través de recomendaciones personalizadas
dación. En: CM Karat, JO Blom, J. Karat (eds.) Diseño de experiencias de usuario personalizadas
en eCommerce, págs. 231-251. Editorial Académica Kluwer (2004)
89. Ricci, F., Nguyen, QN: Adquirir y revisar preferencias en un móvil basado en críticas
sistema de recomendación. Sistemas inteligentes IEEE 22 (3), 22-29 (2007). DOI http: // doi.
ieeecomputersociety.org/10.1109/MIS.2007.43
90. Sae-Ueng, S., Pinyapong, S., Ogino, A., Kato, T .: Servicio de asistencia de compra personalizado
en el espacio de la tienda omnipresente. Redes de información y aplicaciones avanzadas: talleres,
2008. AINAW 2008. 22ª Conferencia Internacional, págs. 838–843 (2008). DOI 10.1109 /
WAINA.2008.287
91. Sarwar, B., Karypis, G., Konstan, J., Riedl, J .: Descomposición incremental de valores singulares
algoritmos para sistemas de recomendación altamente escalables. En: Actas de la Quinta Internacional
Conferencia en Computación y Tecnología de la Información (2002)
Página 34
34 Francesco Ricci, Lior Rokach y Bracha Shapira
92. Sarwar, BM, Konstan, JA, Riedl, J .: Sistemas de recomendación distribuidos para las comunicaciones de Internet
merce. En: M. Khosrow-Pour (ed.) Enciclopedia de ciencia y tecnología de la información
(II), págs. 907–911. Grupo de ideas (2005)
93. Schafer, JB, Frankowski, D., Herlocker, J., Sen, S .: Recomendador de filtrado colaborativo
sistemas. En: The Adaptive Web, págs. 291–324. Springer Berlín / Heidelberg (2007)
94. Schafer, JB, Konstan, JA, Riedl, J .: Aplicaciones de recomendación de comercio electrónico. Minuto de datos
y descubrimiento del conocimiento 5 (1/2), 115-153 (2001)
95. Schifanella, R., Panisson, A., Gena, C., Ruffo, G .: Mobhinter: filtro colaborativo de epidemias
y autoorganización en redes móviles ad-hoc. En: RecSys '08: Actas de la
Conferencia de la ACM de 2008 sobre sistemas de recomendación, págs. 27–34. ACM, Nueva York, NY, EE. UU.
(2008)
96. Schwartz, B .: La paradoja de la elección. ECCO, Nueva York (2004)
97. van Setten, M., McNee, SM, Konstan, JA: Beyond personalization: the next stage of rec-
investigación de sistemas ommender. En: RS Amant, J. Riedl, A. Jameson (eds.) IUI, pág. 8. ACM
(2005)
98. van Setten, M., Pokraev, S., Koolwaaij, J .: recomendaciones sensibles al contexto en el móvil
brújula de aplicación turística. En: W. Nejdl, P. De Bra (eds.) Adaptive Hypermedia 2004, págs.
235–244. Springer Verlag (2004)
99. Shani, G., Heckerman, D., Brafman, RI: Un sistema de recomendación basado en mdp. Diario de
Machine Learning Research 6, 1265-1295 (2005)
100. Sharda, N .: Informática turística: sistemas de recomendación de viajes visuales, comunicación social
https://translate.googleusercontent.com/translate_f 32/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
j
corbatas y diseño de interfaz de usuario. Referencia de la ciencia de la información (2009)
101. Shardanand, U., Maes, P .: filtrado de información social: algoritmos para automatizar "word
de boca ”. En: Actas de la Conferencia sobre factores humanos en sistemas informáticos
(CHI'95), págs. 210–217 (1995)
102. Shokri, R., Pedarsani, P., Theodorakopoulos, G., Hubaux, JP: Preserving privacy in collab-
filtrado operativo mediante la agregación distribuida de perfiles fuera de línea. En: RecSys '09: Proceed-
ings de la tercera conferencia de ACM sobre sistemas de recomendación, págs. 157-164. ACM, Nueva York,
Nueva York, Estados Unidos (2009)
103. Sinha, RR, Swearingen, K .: Comparación de recomendaciones hechas por sistemas en línea y
amigos. En: Taller DELOS: Sistemas de personalización y recomendación en Digital Li-
Bibliotecas (2001)
104. Smyth, B., McClave, P .: Similitud vs diversidad. En: Actas de la IV Internacional
Conferencia sobre Razonamiento Basado en Casos. Springer-Verlag (2001)
105. Swearingen, K., Sinha, R .: Más allá de los algoritmos: una perspectiva de HCI sobre sistemas de recomendación
tems. En: JL Herlocker (ed.) Sistemas de recomendación, artículos del ACM SIGIR de 2001
Taller. Nueva Orleans, LA - EE. UU. (2001)
106. Taghipour, N., Kardan, A .: Un sistema de recomendación web híbrido basado en q-learning. En:
Actas del Simposio ACM 2008 sobre Computación Aplicada (SAC), Fortaleza, Ceara,
Brasil, 16 a 20 de marzo de 2008, págs. 1164-1168 (2008)
107. Taghipour, N., Kardan, A., Ghidary, SS: Recomendaciones web basadas en el uso: un refuerzo
enfoque de aprendizaje ment. En: Actas de la Conferencia ACM de 2007 sobre recomendaciones
Systems, RecSys 2007, Minneapolis, MN, EE. UU., 19 al 20 de octubre de 2007, págs. 113–120 (2007)
108. Takács, G., Pilászy, I., Németh, B., Tikk, D .: Enfoques de filtrado colaborativo escalable para
grandes sistemas de recomendación. J. Mach. Aprender. Res. 10, 623–656 (2009)
109. Tan, PN: Introducción a la minería de datos. Pearson Addison Wesley, San Francisco (2006)
110. Thompson, CA, Goker, MH, Langley, P .: Un sistema personalizado para la recreación conversacional
ommendaciones. Investigación en inteligencia artificial 21, 393–428 (2004)
111. Tung, HW, Soo, VW: Un agente de recomendación de restaurantes personalizado para el servicio electrónico móvil.
En: ST Yuan, J. Liu (eds.) Actas de la Conferencia Internacional IEEE sobre e-
Tecnología, comercio electrónico y servicio electrónico, EEE'04, págs. 259–262. Sociedad de Informática IEEE
Prensa, Taipei, Taiwán (2004)
112. Van Roy, B., Yan, X .: Sistemas de filtrado colaborativo resistentes a la manipulación. En: RecSys '09:
Actas de la tercera conferencia de ACM sobre sistemas de recomendación, págs. 165-172. ACM,
Nueva York, NY, EE. UU. (2009)
Página 35
1 Manual de introducción a los sistemas de recomendación 35
113. Wang, J., Pouwelse, JA, Lagendijk, RL, Reinders, MJT: Filtro colaborativo distribuido
ing para sistemas de intercambio de archivos de igual a igual. En: H. Haddad (ed.) SAC, págs. 1026-1030. ACM
(2006)
114. Wang, Y., Kobsa, A .: Evaluación del desempeño de un marco de mejora de la privacidad para personas
sitios web alizados. En: GJ Houben, GI McCalla, F. Pianesi, M. Zancanaro (eds.) UMAP,
Notas de la conferencia en Ciencias de la Computación , vol. 5535, págs. 78–89. Springer (2009)
115. Wietsma, RTA, Ricci, F .: Revisiones de productos en sistemas móviles de ayuda a la toma de decisiones. En: omnipresente
Dispositivos de interacción móvil (PERMID 2005): dispositivos móviles como interfaces de usuario generalizadas
y dispositivos de interacción - Taller en conjunto con: La 3a Conferencia Internacional
on Pervasive Computing (PERVASIVE 2005), 11 de mayo de 2005, Munich, Alemania, págs. 15-18.
LMU Múnich (2005)
116. Xie, B., Han, P., Yang, F., Shen, R .: Un esquema de búsqueda de vecinos eficiente de distribución
filtrado colaborativo en la red superpuesta p2p. Aplicaciones de bases de datos y sistemas expertos
págs. 141–150 (2004)
117. Yuan, ST, Tsao, YW: un mecanismo de recomendación para la publicidad móvil contextualizada
En g. Sistemas expertos con aplicaciones 24 (4), 399–414 (2003)
118. Zhang, F .: Investigación sobre la diversidad de listas de recomendaciones de sistemas de recomendación. Gestión
of e-Commerce and e-Government, Conferencia Internacional en págs. 72–76 (2008)
119. Zhang, M .: Mejora de la diversidad en la recomendación top-n. En: RecSys '09: Actas de
la tercera conferencia de ACM sobre sistemas de recomendación, págs. 397–400. ACM, Nueva York, NY,
Estados Unidos (2009)
120. Zhou, B., Hui, S., Chang, K .: Un sistema de recomendación inteligente que utiliza ac-
patrones de ceso. En: Cybernetics and Intelligent Systems, 2004 IEEE Conference on, vol. 1, págs.
393–398 vol. 1 (2004)
https://translate.googleusercontent.com/translate_f 33/34
13/11/21 16:35 Introducción al manual de sistemas de recomendación
( )
121. Ziegler, CN, McNee, SM, Konstan, JA, Lausen, G .: Mejora de las listas de recomendaciones
mediante la diversificación de temas. En: WWW '05: Actas de la 14a conferencia internacional
ence en la World Wide Web, págs. 22–32. ACM Press, Nueva York, NY, EE. UU. (2005)
https://translate.googleusercontent.com/translate_f 34/34