Sistemas de

recomendacion

Inteligencia Artificial
Patricia B. Nolberto
Introduccion
La inteligencia artificial, a través del ’Machine Learning’ y de
la técnica conocida como ’Deep Learning’, permite
crear algoritmos que replican la lógica que se sigue en la vida
antes de tomar una decisión y que lleva a preguntar a un
amigo, con el que se comparten aficiones, o a un experto de
confianza.
La gran diferencia es que en lugar de preguntar a dos o tres
personas, la inteligencia artificial nos permite hacer consultas
que equivaldrían a hablar con una ciudad al completo.
Los sistemas de recomendación están permitiendo dar el salto
de organizar la información a llegar a hacer sugerencias
o asesorar al usuario de manera personalizada según sus
gustos o necesidades particulares de manera automatizada

2
Que es un SR?
Un sistema de recomendación es un sistema
inteligente que proporciona a los usuarios una
serie de sugerencias personalizadas
(recomendaciones) sobre un determinado tipo
de elementos (ítems).
Los SR estudian las características de cada usuario
y mediante un procesamiento de los datos,
encuentra un subconjunto de ítems que pueden
resultar de interés para el usuario.

3
Funcionamient
o
ITEMS

SISTEMA
RECOMENDACION
RECOMENDADOR

USUARIOS
 Tipos de Recomendador

Filtrado basado Filtrado Filtrado Filtrado Hibrido

en contenido Colaborativo Demográfico
• Se basan en el • Consiste en ver • Estas • Mezclan alguno
conocimiento que que usuarios son recomendaciones de los tres
se tiene sobre los similares al se realizan en filtrados para
ítems que el usuario activo y función de las realizar
usuario ha recomienda características de recomendaciones
valorado aquellos ítems los usuarios e incluso lo
(implícita o que no han sido (edad, sexo, combinan con
explícita), y se votados por el situación alguna otra
recomienda ítems usuario activo y geográfica, técnica de
similares que le que han resultado profesión, etc). inteligencia
puedan gustar o bien valorados artificial como
interesar. por los usuarios pueda ser la
similares. lógica difusa.

5
Sistemas de recomendacion
basados en contenido
Los filtros basados en contenido tienen el producto como base de
la predicción, en lugar de tener al usuario. Es decir, utiliza las
características del artículo (marca, precio, calificaciones, tamaño,
categoría, etc.) para hacer las recomendaciones.

6
Recomendador
basado en
contenido
Pros
Las representaciones del contenido son variadas y permiten usar diversas técnicas. uso
de información semántica, inferencias, etc.
La recomendación es transparente ya que se usa el mismo contenido para explicar las
recomendaciones.
Contras
Sobre-especialización: se recomiendan ítems similares a los consumidos lo que afecta la
diversidad de las recomendaciones.
El filtrado colaborativo ha demostrado empíricamente ser más preciso en la generación
de recomendaciones.

7
 Tecnicas usadas en SR basados en Contenido

LDA LSI VSM

(Asignación de Dirichlet Latente) (Indexación Semántica Latente) (Modelo espacio Vectorial)

Se utiliza normalmente para Método matemático de recuperación e
detectar un número especificado indexación de documentos, o en nuestro
por el usuario de temas caso, contenidos, que, de manera muy
compartidos por los documentos sencilla de explicar, lo que hace es tratar
dentro de un cuerpo de textos. de entender los términos y conceptos y
Cada observación es un lo que los rodea para entender los
documento, las características son contextos y así poder relacionar de
la presencia (o recuento de manera más inteligente distintos
apariciones) de cada palabra y las documentos trayendo así los resultados
categorías son los temas. más acertados o ajustados a una
búsqueda.
Modelo algebraico utilizado para
filtrado, recuperación, indexado y
cálculo de relevancia de información.
Representa documentos en lenguaje
natural de una manera formal
mediante el uso de vectores (de
identificadores, por ejemplo términos
de búsqueda) en un espacio lineal
multidimensional.

8
Ejemplo de SR basado en contenido

9
Sistemas de recomendacion
con filtrado colaborativo
Los filtros colaborativos generalmente basan su lógica en las
características del usuario. El sistema analiza las compras
anteriores, las preferencias, las calificaciones que ha dado de
otros productos, el importe medio de las compras, etc. y busca
otros usuarios que se parecen a él y que han tomado decisiones
parecidas. Los productos que han tenido éxito con usuarios
similares, seguramente también le interesarán al nuevo
usuario.

10
Recomendador con
filtrado
colaborativo
Pros
- Fácil de implementar
- Independiente del contexto
- Comparado a otras técnicas, como el basado en contenidos, es más
precisa.

Cons
- Existe dispersion (Sparsity): La baja densidad de los datos hace que
el filtrado colaborativo basado en el usuario sufra de un Cold-start
- Cold-start: usuarios con pocos Ratings o historial de acciones
- New-ítem: elementos nuevos que nadie los ha consumido

11
Tecnicas usadas en Sr con filtrado colaborativo

• Métodos basados en memoria: emplean

métricas de similaridad para determinar el
parecido entre una pareja de usuarios. Para
ello calculan los ítems que han sido votados
por ambos usuarios y comparan dichos votos
para calcular la similaridad.
• Métodos basados en modelos: utilizan la
matriz de votaciones para crear un modelo a
través del cual establecer el conjunto de
usuarios similares al usuario activo. Algunos
ejemplos de estos modelos son los
clasificadores bayesianos, las redes
neuronales, algoritmos genéticos, sistemas
borrosos y la técnica de descomposición
matricial basada en la técnica matemática del
SVD.

12
13
Filtrado Hibrido

Netflix es uno de los

que usan filtro
colaborativo y filtro Place your screenshot here

basado en
contenido

https://www.youtub
e.com/watch?
v=kmzyDh0t6xA

14
“ Gracias!

15