Recomendación de productos a partir de perfiles de usuario interpretables

Claudia Jeanneth Becerra Cortés, Sergio Gonzalo Jiménez Vargas, Fabio Augusto González Osorio, Alexander Gelbukh

Resumen


Los sistemas de recomendación automática de productos permiten que los usuarios tengan una visión personalizada de grandes conjuntos de productos, lo cual alivia el problema de la sobrecarga de opciones en los sitios de comercio electrónico. Usualmente las recomendaciones se obtienen usando la técnica denominada “filtrado colaborativo”. Esta técnica permite filtrar los productos que el usuario desea de aquellos que no desea, infiriendo las afinidades entre productos, y usuarios, en un espacio de características abstracto. Si bien estas técnicas han mostrado ser de gran valor predictivo, su baja (o nula) interpretabilidad hace que el usuario, al no poder modificar su perfil, quede encerrado en una especie de burbuja, en la cual solo recibe recomendaciones colaborativas condicionadas por su comportamiento histórico. En este trabajo proponemos construir perfiles de usuario definidos en espacios interpretables como el de las etiquetas colaborativas (tags) o bien palabras claves extractadas automáticamente de las descripciones de los productos, que al ser interpretables permitan al usuario modificar su propio perfil. Este modelo se basa en la obtención de perfiles usando modelos lineales, cuyos coeficientes, positivos o negativos, reflejan la afinidad del usuario hacia la etiqueta o a la palabra clave. Para probar nuestra hipótesis, utilizamos el conjunto de datos de investigación en sistemas de recomendación de películas de la Universidad de Minnesota, MovieLens; los resultados obtenidos muestran que la capacidad predictiva del modelo es comparable a la de los métodos no interpretables, con el beneficio adicional de la interpretabilidad.


Palabras clave


etiquetado social, filtrado colaborativo, interfaces de usuario, sistemas de etiquetado colaborativo, sistemas de recomendación

Texto completo:

PDF HTML

Referencias


Bell R.M., Koren Y., & C, V. (2007). The BellKor solution to the Net Flix Prize. Technical Report, AT&T Labs Research. doi:http://www.netflixprize.com/assets/ProgressPrize2007_KorBell.pdf

Byrd, R. H., Lu, P., Nocedal, J., & Zhu, C. (1995). A limited memory algorithm for bound constrained optimization. SIAM J. Sci. Comput., 16(5), 1190–1208. doi:10.1137/0916069

Fellbaum, C. (1998). WordNet An Electronic Lexical Database. Cambridge, MA ; London: The MIT Press. Retrieved from http://mitpress.mit.edu/catalog/item/default.asp?ttype=2&tid=8106

Jones, K. S. (1972). A statistical interpretation of term specificity and its application in retrieval. Journal of Documentation, 28, 11-21.

Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix Factorization Techniques for Recommender Systems. Computer, 42(8), 30-37. doi:10.1109/MC.2009.263

Lops, P., Gemmis, M., & Semeraro, G. (2011). Content-based Recommender Systems: State of the Art and Trends. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender Systems Handbook (pp. 73-105). Springer US. Retrieved from http://dx.doi.org/10.1007/978-0-387-85820-3_3

Lops, P., Gemmis, M., Semeraro, G., Musto, C., Narducci, F., & Bux, M. (2009). A Semantic Content-Based Recommender System Integrating Folksonomies for Personalized Access. In G. Castellano, L. Jain, & A. Fanelli (Eds.), Web Personalization in Intelligent Environments (Vol. 229, pp. 27–47). Springer Berlin Heidelberg. Retrieved from http://dx.doi.org/10.1007/978-3-642-02794-9_2

Penrose, R., & Todd, J. A. (n.d.). On best approximate solutions of linear matrix equations. Mathematical Proceedings of the Cambridge Philosophical Society, null(01), 17–19. doi:10.1017/S0305004100030929

Robertson, S. (2005). How Okapi Came to TREC. In E. M. Voorhees & D. K. Harman, TREC: Experiment in Information Retrieval (pp. 287–300). MIT Press.

Salton, G., Wong, A. K. C., & Yang, C.-S. (1975). A vector space model for automatic indexing. Commun. ACM, 18(11), 613–620.

Schein, A., Pennock, D., & Ungar. (2002). Methods and metrics for cold-start recommendations. In SIGIR (pp 253-260). New York, NY, USA: ACM

Sen, S., Harper, F. M., LaPitz, A., & Riedl, J. (2007). The quest for quality tags. In Proceedings of the 2007 International ACM Conference on Supporting Group Work (pp. 361–370). New York, NY, USA: ACM.

Smola, A. J., & Schölkopf, B. (1998). A Tutorial on Support Vector Regression. Royal Holloway College, London, U.K., NeuroCOLT Tech. Rep. TR 1998-030, 1998.

Vanegas, J. A., Caicedo, J. C., Camargo, J. E., & Ramos-Pollán, R. (2012). Bioingenium at Image. CLEF 2012: Textual and Visual Indexing for Medical Images. In CLEF (Online Working Notes/Labs/Workshop). Rome, Italy.

Vig, Jesse, Sen, S., & Riedl, J. (2012). The Tag Genome: Encoding Community Knowledge to Support Novel Interaction. ACM Transactions on Interactive Inteligent Systems, 2(3). (pp 13:1-13:44)

Zhang, Z.-K., Zhou, T., & Zhang, Y.-C. (2011). Tag-Aware Recommender Systems: A State-of-the-Art Survey. Journal of Computer Science and Technology, 26(5), 767–777. doi:10.1007/s11390-011-0176-1

Zipf, G. K. (1950). Human behavior and the principle of least effort. Journal of Clinical Psychology, Adisson Wesley, 6(3). doi:10.1002/1097-4679(195007)6:3<306::AID-JCLP2270060331>3.0.CO;2-7




DOI: https://doi.org/10.14483/udistrital.jour.tecnura.2015.3.a07



https://doi.org/10.14483/issn.2248-7638