Evaluación de interfaces de explicación en los sistemas de recomendación

Evaluation of Explanation Interfaces in Recommender Systems

  • Sergio Cleger-Tamayo Facultad Fucapi, Manaos – Amazonas
  • Marcela Sávia Picanço-Pessoa Universidad del Estado de la Amazonas (UEA), Manaus – Amazonas
  • Marcella Sarah Figueiras- de Farias
Palabras clave: Filtrado Colaborativo, Métricas de Evaluación (es_ES)

Resumen (es_ES)

Las interfaces de explicación se tornan una herramienta útil para los sistemas con una alta cantidad de contenido a ser evaluado por los usuarios. Las diferentes interfaces representan una ayuda para los usuarios indecisos o aquellos que consideran los sistemas una caja cerrada inteligente. Estos sistemas muestran recomendaciones a los usuarios basados en diferentes modelos. En el presente trabajo se presentan los diferentes objetivos perseguidos con las interfaces y algunos de los criterios que pudieran ser analizados, así como una propuesta de métricas para registrar resultados. Se muestran finalmente los principales resultados de un estudio con usuarios reales y su interacción con sistemas de uso cotidiano. Dentro de las principales conclusiones destaca el impacto positivo en relación al tiempo de interacción con los aplicativos y la aceptación de las recomendaciones recibidas.

Resumen (en_US)

Explaining interfaces become a useful tool in systems that have a lot of content to evaluate by users. The different interfaces represent a help for the undecided users or those who consider systems as boxed black smart. These systems present recommendations to users based on different learning models. In this paper, we present the different objectives of the explanation interfaces and some of the criteria that you can evaluate, as well as a proposal of metrics to obtain results in the experiments. Finally, we showed the main results of a study with real users and their interaction with e-commerce systems. Among the main results, highlight the positive impact in relation to the time of interaction with the applications and acceptance of the recommendations received.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Sergio Cleger-Tamayo, Facultad Fucapi, Manaos – Amazonas
Natural de Santiago de Cuba, Cuba. Nació el 30/10/1981 y recibió el título de Ingeniero Informático por la Universidad de Holguín (UHOLM), Cuba, en el año 2005. Obtiene el título de Máster en Matemática Aplicada e Informática Para la Administración (MAIPA) por la UHOLM en el año 2007. En el año 2010 defiende el Diploma de Estudios Avanzados por la Universidad de Granada, Granada, España. En el año 2011 alcanza el título de Máster en Ciencias de la Computación e Inteligencia Artificial por la Universidad Central de las Villas, Santa Clara, Cuba. En el año 2012 alcanza el título de Doctor por la Universidad de Granada, España. Desde el año 2005 y hasta el año 2016 fue profesor titular de la UHOLM. Entre los años 2014 y hasta el 2017 profesor visitante en la Universidad del Estado de Amazonas (UEA), Amazonas, Brasil. Desde el año 2015 es profesor e investigador de la facultad Fucapi, Amazonas, Brasil. Actualmente es profesor en la facultad Fucapi. Las principales investigaciones se centran en el campo de la Inteligencia Artificial, en el área de Recuperación de Información y específicamente en el campo de los Sistemas de Recomendación, publicando artículos en las principales revistas y congresos del área.
Marcela Sávia Picanço-Pessoa, Universidad del Estado de la Amazonas (UEA), Manaus – Amazonas
Natural de Brasil. Posee graduación en Procesamiento de Datos por la Universidad Federal de la Amazonas (UFAM), obtenido en el año 1998. Terminó la maestría en Informática en la misma universidad en el año 2010. Actualmente es profesora efectiva de la Universidad del Estado de la Amazonas y de la Facultad Fucapi. Cuenta con experiencia en el área de Ciencias de la Computación, con énfasis en Recuperación de Información e Ingeniería de Software. Destacan como principales subáreas de investigación, la extracción de palabras llaves en páginas web, el desarrollo web y las investigaciones de informática en la educación.
Marcella Sarah Figueiras- de Farias
Natural de Brasil. Posee graduación en Diseño Industrial con habilitación en programación visual por la Universidad Federal de la Amazonas, obtenido en el año 2009. Realizó pos-graduación por la Universidad del Norte (Uninorte) en Comunicación Empresarial y Marketing, concluida en el año 2010. Actualmente es docente del curso de Diseño Digital da la Facultad Fucapi. Tiene experiencia en el área de Diseño, con énfasis en proyectos gráficos, actuando principalmente en los temas de diseño, tecnología, educación e desarrollo regional.

Referencias

Avazpour, I.; Pitakrat, T.; Grunske, L. y Grundy, J. (2014) Dimensions and Metrics for Evaluating Recommendation Systems. Recommendation Systems in Software Engineering. 29 pp.

Ben-Elazar S. y Koenigstein, N. (2014) A Hybrid Explanations Framework for Collaborative Filtering Recommender Systems. RecSys Posters

Bridge, D. y Dunleavy, K. (2014) If you liked Herlocker et al.'s explanations paper, then you might like this paper too, in Nava Tintarev, John O'Donovan, Peter Brusilovsky, Alexander Felfernig, Giovanni Semeraro and Pasquale Lops (eds.), Procs. of the Workshop on Interfaces and Human Decision Making for Recommender Systems (Worskhop Programme of the Eighth ACM Conference on Recommender Systems), pp.22-27

Chen L. y Pu, P. (2005) Trust building in recommender agents. In in 1st International Workshop on Web Personalization, Recommender Systems and Intelligent User Interfaces (WPRSIUI05), pages 135–145

Herlocker, J. L.; Konstan, J. A.; y Riedl, J. (2000) Explaining collaborative filtering recommendations. In CSCW ’00: Proceedings of the 2000 ACM Conference on Computer Supported Cooperative Work, pages 241–250, New York, NY, USA. Association for Computing Machinery

Lacave, C. y Diez, F. J. (2004) A review of explanation methods for heuristic expert systems. The Knowledge Engineering Review, 19(02): pp 133–146

Pazzani, M.J. y Billsus, D. (2007) Content-based recommendation systems. In: The Adaptive Web: Methods and Strategies of Web Personalization, chap. 10, pp. 325–341

Pu P. y Chen, L. (2006) Trust building with explanation interfaces. In Proceeding of the 11th international conference on Intelligent User Interfaces, IUI ’06, pp 93–100. Association for Computing Machinery Press

Pu P. y Chen, L. (2007) Trust-inspiring explanation interfaces for recommender systems. Knowledge-Based Systems, 20(6): pp 542–556

Tintarev, N. y Masthoff, J. (2007) A survey of explanations in recommender systems. In: Proceedings of the 2007 IEEE 23rd International Conference on Data Engineering Workshop. pp. 801–810. IEEE Computer Society, Washington, DC, USA 2007

Tintarev, N. y Masthoff, J. (2011) Designing and evaluating explanations for recommender systems. In: Recommender Systems Handbook, pp. 479–510

Zanker, M. y Schoberegger, M. (2014) An Empirical Study on the Persuasiveness of Fact-based Explanations for Recommender Systems. In Proceedings IntRS Workshop, 2014, pp 33-36

Zhang, Y. (2014) Browser-Oriented Universal Cross-Site Recommendation and Explanation based on User Browsing Logs. In Proceedings of the 8th ACM Conference Series on Recommender Systems (RecSys 2014), Oct. 6 - 10, 2014, Foster City, Silicon Valley, USA

Zhang, Y.; Lai, G.; Zhang, M.; Zhang, Y.; Liu, Y. y Ma, S. (2014) Explicit factor models for explainable recommendation based on phrase-level sentiment analysis. SIGIR 2014: pp 83-92

Cómo citar
Cleger-Tamayo, S., Picanço-Pessoa, M. S., & Figueiras- de Farias, M. S. (2017). Evaluación de interfaces de explicación en los sistemas de recomendación. Revista Científica, 2(29), 129-139. https://doi.org/10.14483//udistrital.jour.RC.2017.29.a2
Publicado: 2017-05-01
Sección
Ciencia e ingeniería

Introducción

Hoy se cuenta con una diversidad creciente de sitios web de comercio electrónico, donde resaltan las redes sociales y las aplicaciones de ocio/entretenimiento. Sin embargo, en los últimos años un fuerte competidor ha crecido exponencialmente: las aplicaciones móviles. Este aumento está dado ya sea por la facilidad y practicidad de uso o por el incremento del número de dispositivos móviles. La variedad y diversidad de estas aplicaciones, junto con la tendencia a interconectar los objetos que son usados de manera continua y/o cotidiana, término acuñado como internet de las cosas (IoT, por sus siglas en inglés), lleva a la importante utilización de técnicas de personalización y recomendación.

Estás técnicas, pertenecientes al campo de la recuperación de información, resultaban impensables dos décadas atrás, pero hoy se tornan necesarias e imprescindibles por el volumen de información que se maneja a cada segundo. Aunque pudieran mostrarse ejemplos de utilización en disímiles contextos, para la mayoría de los usuarios, el comportamiento de los modelos, traducido en recomendaciones o predicciones, continúa siendo una caja negra en la que es preferible confiar antes de navegar entre las muchas opciones disponibles. En muchas ocasiones este aspecto resulta el principal motivo de abandono/pérdida de usuarios en las diferentes aplicaciones.

Diferentes sitios de comercio electrónico como Amazon, Facebook, Walmart, Ebay o Jester utilizan sistemas de recomendación (SR) para lograr incrementar las ventas y fidelizar usuarios ya que cada vez es más notable la preferencia creciente de usuarios de comprar vía digital. El empleo en estas aplicaciones de interfaces de explicación los dota de un plus para que los usuarios comprendan mejor el funcionamiento de las sugerencias/recomendaciones recibidas. Numerosos estudios realizados demuestran la utilidad de la explicación en los diferentes sistemas y la utilidad, sobre todo, para aquellos usuarios que se encuentran en el umbral de indefinición.

Los SR suelen clasificarse en basados en contenido (Pazzani y Billsus, 2007) o de filtrado colaborativo, a pesar de que pueden encontrarse otras clasificaciones como demográficas, económicas y otras muchas clasificaciones, sobre todo enfocada en la función de ganancia o restricción que se quiere aplicar. Cada una de las clasificaciones tiene un conjunto de limitantes que suelen ser atenuadas al combinarse con otras técnicas, dando paso a los sistemas de recomendación híbridos.

Todas las aplicaciones que implementan técnicas de recomendación e intentan explicar mediante diferentes recursos las sugerencias ofrecidas para el usuario se basan en la información que es utilizada por los diferentes modelos. Dentro de las interfaces más comunes en la figura 1 se muestra un histograma con los votos de los vecinos/usuarios más similares. Esta interface es muy común en los SR de filtrado colaborativo, dado que dichos modelos evalúan la similitud de todos los usuarios para encontrar el mejor vecindario capaz de hacer una sugerencia. Entonces, resulta muy útil para los usuarios conocer el juicio de aquellos usuarios más similares, con relación al ítem que es analizado.

Interfaz de explicación. Histograma con los votos del vecindario.

Figura 1: Interfaz de explicación. Histograma con los votos del vecindario.

Destacan otras propuestas de interfaces como la de la figura 2, muy utilizada en sistemas que emplean filtrado basado en contenido y efectúan sugerencias después de realizar el análisis del contenido de los ítems seleccionados previamente, con los que aún no han sido accedidos.

Sin lugar a dudas, la utilidad de una u otra propuesta de explicación depende del SR y del objetivo que se persiga con la interfaz diseñada. En este trabajo se muestran los resultados obtenidos de la utilización de interfaces de explicación en sistemas con usuarios reales.

Interfaz de explicación.

Figura 2: Interfaz de explicación.

En la próxima sección se muestra una breve descripción de trabajos relacionados con el campo de la explicación en los SR. Seguidamente, se analizan objetivos y medidas empleadas en la experimentación. Por último, se describen las principales conclusiones del estudio realizado, las recomendaciones para futuros trabajos en el área y el material bibliográfico utilizado.

Contenido

De forma general, la explicación encuentra su origen en los sistemas expertos (Lacave y Diez, 2004) y siempre parte de la idea de que estos sean transparentes para los usuarios. Estos sistemas deben mostrar las razones de las recomendaciones centradas en la explicación de las conclusiones arribadas por los modelos empleados. Al dar una explicación se intenta ser transparente, exponiendo las razones y los datos considerados en la recomendación. Dados los modelos empleados en muchos sistemas, resulta difícil lograr una adecuada transparencia mediante algún mecanismo de explicación. Evidentemente, pudieran encontrarse campos de aplicación donde resulte crítico o complejo este aspecto, por ejemplo, cuando se considera el entretenimiento, la aceptación de una recomendación o no, e incluso su posterior evaluación negativa, solo involucra generalmente gasto de tiempo como recurso. En otros campos donde el usuario deba comprar un ítem (por ejemplo, un destino turístico, un boleto aéreo o un equipo electrónico) sí se muestran razones adecuadas, pudiendo incluso persuadirse al usuario llevándolo a adquirir el ítem, además de confiar y volver a emplear el sistema.

Las interfaces de explicación en los SR cuentan con múltiples objetivos que van desde lograr inspirar confianza al usuario hasta ayudarlo a tomar una adecuada decisión, todo depende de lo que se persiga con el sistema. En Tintarev y Masthoff (2007 y 2011) se mencionan y describen siete de los dichos objetivos:

  • Transparencia: explicar cómo funciona el SR.

  • Escrutabilidad: permitir al usuario decir si el SR funciona bien o mal.

  • Confianza: incrementar la confianza de los usuarios en el SR.

  • Eficacia: ayudar a los usuarios a tomar buenas decisiones.

  • Persuasión: convencer a los usuarios para que prueben o compren los ítems.

  • Eficiencia: ayudar a los usuarios a tomar decisiones rápidas.

  • Satisfacción: incrementar la facilidad de uso o disfrute del SR.

De forma general, las propuestas de explicación persiguen mostrar cuán relevante es el ítem recomendado. En Tintarev y Masthoff (2007 y 2011) destacan la presentación y justificación de: el mejor ítem, los mejores n ítems en un listado y los ítems más similares. Estudios como los de Zanker y Martin (2014) evalúan el efecto persuasivo de varios estilos de explicación enfocados en el uso de palabras independientes u oraciones que argumentan el ítem sugerido por el sistema. Los resultados evidencian mejores resultados con el último de los estilos mencionados. Con un enfoque similar, Ben-Elazar y Koenigstein (2014) proponen un framework de explicación híbrida con alta aceptación.

Hetlocker, Konstan y Riedl (2000) desarrollaron un estudio con MovieLens donde describen cómo la explicación de las recomendaciones puede persuadir a los usuarios a tener mayor confianza en el sistema. Los autores revelan cómo pueden diseñarse explicaciones para cada posible etapa del proceso de recomendación. Respecto al criterio de los usuarios, el estudio desarrollado reveló que de las 21 interfaces utilizadas, donde se muestra un histograma con los votos agrupados de los vecinos resultó la más efectiva y aceptada por los usuarios.

Otros estudios como los de Chen y Pu (2005) y Pu y Chen, (2006 y 2007) abordan la construcción de confianza a través del correcto diseño de interfaces para proveer explicaciones. Los autores se enfocan en que dichas interfaces se autoexpliquen. Por su parte, Bridge y Dunleavy (2014) proponen un algoritmo para obtener reglas que son utilizadas en una interface de explicación, obteniendo positivos resultados.

El empleo de algoritmos para obtener reglas explicables (Bridge y Dunleavy, 2014) y la utilización de nube de etiquetas (Zhang, 2014; Zhang et al., 2014), son otros ejemplos de mecanismos diversos de explicación de gran utilidad. De forma general, en todos los ejemplos anteriores se intenta evaluar uno o un conjunto de objetivos para determinar la efectividad de las interfaces.

Con los nuevos avances tecnológicos, elementos como la geo localización, redes sociales, información en la nube, entre otros, se convierten en variables y objetivos evaluables en la utilidad de los diferentes SR e interfaces de explicación para dichos sistemas.

Luego de realizado un breve comentario sobre las tendencias de las interfaces de explicación se pasa a detallar para cada uno de los objetivos algunas medidas y métricas de utilidad consideradas en este estudio.

Medidas para evaluar objetivos de las interfaces de explicación

Cada uno de los objetivos marcados en el momento de la evaluación es muy subjetivo y depende del grado de satisfacción de cada usuario. Pudiera preguntarse directamente a cada uno de los usuarios y luego considerar métricas globales o ciertas tendencias.

Dado que la transparencia intenta explicar al usuario cómo funciona el SR, sin lugar a dudas la opinión de este es muy importante. Aunque bien pudieran obtenerse algunas medidas para evaluar el uso del usuario y con ello asociarlo a la utilidad de la transparencia de la interfaz de explicación, por ejemplo:

  • Tiempo de interacción con la aplicación después de observar la explicación.

  • Argumentos empleados luego de evaluar la explicación.

  • Aceptación de la recomendación actual y futuras.

  • Variación en el valor de la recomendación.

  • Fidelidad del usuario y utilización de la aplicación.

  • Estudio de intención de los usuarios y estudio de usuarios (monitorear).

En el caso de la variación de la recomendación se pueden emplear las métricas clásicas Error absoluto medio (MAE), Raíz del error medio cuadrático (RMSE) y las versiones normalizadas de ambas, precisión, exhaustividad, y F-Measure (Avazpour, Pitakrat, Grunske y Grundy, 2014). Para los restantes casos sería necesario análisis de texto y/o medidas de registro en función de tiempo o en función de otros criterios.

Para evaluar la escrutabilidad, y considerando que esta permite al usuario expresar el grado de conformidad con el funcionamiento del sistema (funciona bien o mal), se pueden considerar los siguientes elementos:

  • Valoración o puntuación de los usuarios.

  • Variación del valor de la recomendación.

  • Aceptación de la recomendación actual y futuras.

  • Argumentos empleados luego de evaluar la explicación.

  • Tiempo de interacción con la aplicación después de observar la explicación.

  • Corrección del voto de recomendación.

En los casos en los que interviene el valor de la recomendación pueden considerarse las métricas clásicas señaladas en el caso de la transparencia.

Mientras, en el caso de la confianza, como opción para incrementar la confianza de los usuarios en el SR pueden emplearse un conjunto de discreciones para evaluar el criterio de los usuarios. Las interfaces pueden dar información para que el usuario certifique el uso o no del sistema; por tanto, sería importante considerar los siguientes criterios:

  • Valoración o puntuación de los usuarios.

  • Variación del valor de la recomendación.

  • Aceptación de la recomendación actual y recomendaciones futuras.

  • Gastos de recursos (tiempo, dinero, etc.) luego de la explicación.

  • Selección de ítems dentro de un listado de recomendados.

  • Corrección del voto de recomendación.

Uno de los elementos más interesantes radica en evaluar el gasto de los usuarios luego de valorar la explicación. Es importante evaluar el perfil del usuario y las tendencias de forma general. En este objetivo es importante considerar el empleo de métricas de evaluación de ranking, por ejemplo, desempeño basado en la distancia normalizada (NDPM), correlación de Spearman, correlación de Kendall y ganancia acumulada del descuento normalizado (NDCG), además de las métricas evaluadas en los objetivos anteriores.

Con el fin de ayudar a los usuarios a tomar correctas o buenas decisiones, se define el objetivo eficacia de las interfaces de explicación. Para ello pueden considerarse los siguientes elementos:

  • Aceptación y utilidad posterior de la recomendación.

  • Argumentos empleados luego de evaluar la explicación.

  • Estudio de intención de los usuarios y estudio de usuarios (monitorear).

La mayoría de estos elementos son de tipo cualitativo y su colección requiere de la captura y monitoreo del comportamiento de los usuarios para identificar su valoración posterior.

La persuasión es la capacidad que se da al sistema de convencer a los usuarios para que acepten, prueben o compren los elementos que están siendo recomendados o sugeridos. En este caso las interfaces de explicación juegan un papel importante, pues muchos usuarios se encuentran con dudas de aceptar o no el ítem recomendado y, por tanto, una adecuada interfaz puede ayudarlo y hasta convencerlo. Así, se consideran importantes los aspectos que a continuación se relacionan:

  • Aceptación de la recomendación actual y recomendaciones futuras.

  • Gastos de recursos (tiempo, dinero, etc.) luego de la explicación.

  • Selección de ítems dentro de un listado de recomendados.

  • Corrección del voto de recomendación.

  • Fidelidad del usuario y utilización de la aplicación.

  • Estudio de intención de los usuarios y estudio de usuarios (monitorear).

Al igual que los primeros objetivos, se pueden utilizar las métricas MAE, RMSE y las versiones normalizadas de ambas, además de la precisión, exhaustividad y F-Measure. Para los restantes casos sería necesario analizar y monitorear a los usuarios para evaluar su gasto y comportamiento futuro.

Se considera el objetivo de eficiencia de la interfaz de explicación como la característica que el sistema tiene de ayudar a los usuarios a tomar decisiones rápidas. Dentro de los elementos más importantes a considerar se encuentran:

  • Selección de ítems dentro de un listado de recomendados.

  • Aceptación rápida de la recomendación actual y recomendaciones futuras.

  • Análisis de comportamientos actuales con respecto a comportamientos anteriores.

  • Gasto efectivo de recursos costosos (dinero, bonos, etc.) inmediatamente posterior de valorar la explicación.

En este objetivo se puede evaluar la NDCG relacionada con el posicionamiento de los ítems seleccionados en el ranking mostrado, además de otras métricas relacionadas con la importancia de los elementos del ranking y otras que monitorean el comportamiento del usuario.

Como último objetivo se tiene la satisfacción, con la idea de incrementar la facilidad de uso o disfrute del SR. Una vez los usuarios comprenden el funcionamiento del sistema logran interactuar mucho más y confiar en el sistema, pues les resulta más fácil el uso y comprensión de las recomendaciones y pueden disfrutar del material recibido. Por tanto, se considera importante valorar:

  • Gastos de recursos (tiempo, dinero, etc.) luego de la explicación.

  • Número de clic para acceder a ítems recomendados.

  • Aceptación de la recomendación actual y recomendaciones futuras.

  • Fidelidad del usuario y utilización de la aplicación.

  • Valoración o puntuación de los usuarios.

  • Variación del valor de la recomendación.

  • Estudio de intención de los usuarios y estudio de usuarios (monitorear).

Como en mucho de los objetivos anteriores donde se evalúan criterios cuantitativos, se pueden utilizar las métricas MAE, RMSE y las versiones normalizadas de ambas, además de la precisión, exhaustividad y F-Measure. Para los restantes casos sería necesario analizar y monitorear a los usuarios para evaluar su gasto y comportamiento futuro. Otras métricas de registro pueden ser empleadas también de forma general.

Aplicación de interfaces de explicación en sistemas de recomendación

En la experimentación fueron aplicadas las interfaces de explicación en tres aplicativos móviles que realizan recomendaciones con diferentes enfoques. Un estudio inicial mostró declaraciones de usuarios que manifestaron no entender las recomendaciones recibidas en dichos sistemas.

  • Aplicativo de recomendación de películas.

  • Aplicativo de recomendación de restaurantes.

  • Aplicativo de recomendación de productos.

Las aplicaciones seleccionadas no disponían de ningún mecanismo de argumentación o explicación. Fueron utilizadas las interfaces de la figura 3 y figura 4.

Propuesta de interfaz de explicación. Histograma con los votos de usuarios más similares.

Figura 3: Propuesta de interfaz de explicación. Histograma con los votos de usuarios más similares.

Propuesta de Interfaz de explicación. Mapa de acierto de usuarios más similares.

Figura 4: Propuesta de Interfaz de explicación. Mapa de acierto de usuarios más similares.

La primera (figura 3) muestra la clásica interfaz del comportamiento de los usuarios más similares en relación con el ítem que se está recomendando. La segunda interfaz refleja en un mapa bidimensional el comportamiento de los usuarios en función de los ítems valorados en el pasado. Esta última interfaz refleja cómo fue la predicción de la vecindad en relación a la del usuario activo, tanto a nivel colectivo como individual. En el lado izquierdo se refleja el grado de similitud de esos usuarios que hubieran recomendado ese ítem en relación a la valoración real efectuada por el usuario. Esta valoración es realizada tanto a nivel colectivo como individual. Mientras, por el lado derecho se muestra un resumen tabular de acierto, sobre y subestimación realizada por la vecindad.

Para todos los ítems valorados por el usuario se muestra la calidad de predicción, empleando cuadrados o diamantes para representar el acierto o falla del vecindario, respectivamente. Las figuras tienen un color el cual representa el criterio dado por el usuario. Dicho color está en correspondencia con otros utilizados en los histogramas que complementan la propuesta. La propuesta permite capturar como:

  • Si una película X le gusta a los usuarios similares (vecindario), seguro que la que me recomiendan me gustará.

  • ¿Qué opinión tiene este vecindario sobre la película Y? Esa película fue de mis preferidas.

  • ¿Cuáles de las películas que he visto son valoradas en conjunto por el vecindario igual que esta que me recomiendan?

En la experimentación fueron considerados los elementos mostrados en la tabla 1, que de forma general registran la continuidad de uso de los usuarios con los diferentes sistemas monitoreados. El estudio fue realizado en un periodo de tiempo de 48 días.

Tabla 1: Resultados de la experimentación con usuarios.

Fuente: los autores

Los resultados muestran la incidencia en todos los sistemas analizados de las interfaces de explicación. Aunque la evaluación del tiempo pudiera resultar una medida subjetiva, fue considerado porque los usuarios eran conscientes del estudio. Resaltar que el tiempo de visualización y análisis de la interfaz de explicación no fue considerado.

En relación al uso de las aplicaciones se puede observar que aumentó el número de usuarios con actividad alta en los tres sistemas (de un 36 % para un 59 %). Reduciendo también el número de usuarios con actividad baja (de un 27 % para un 16 %). Aquí pudiera considerarse que tal aumento de actividad está provocado porque las recomendaciones están facilitando al usuario:

  • Una mayor transparencia en relación al conocimiento de funcionamiento del sistema respecto a las recomendaciones recibidas.

  • Tener mayor confianza en las recomendaciones recibidas y usar continuamente el sistema.

  • Comprar o adquirir los ítems recomendados y usar nuevamente los sistemas.

A su vez, la aceptación de las recomendaciones por parte de los usuarios también aumentó (de un 46 % para un 69 %). Evidenciando un incremento de la confianza por parte del usuario y el considerar buenas las recomendaciones recibidas. Es importante que el usuario sienta que es reconocido por el sistema y que este lo conoce bien.

En la última de las variables se nota que, en el sistema de recomendación de películas, los usuarios terminaron gastando menos tiempo en la aplicación, lo que pudiera considerarse que invierten menos tiempo en buscar aquella película que gustarían ver. Mientras que, en los otros dos sistemas, los usuarios aumentaron el tiempo medio de uso, lo que representa que, aunque no compraran, los usuarios se convirtieron en usuarios más frecuentes de las aplicaciones.

Conclusiones y trabajos futuros

Sin lugar a dudas, diseñar interfaces de explicación siempre está condicionado a los objetivos que se persiguen en un SR. Un sinnúmero de métricas suele utilizarse para evaluar los criterios que resultan más importantes dentro del sistema, siendo en muchos casos medidas diferentes en una u otra investigación, aunque sean similares. En el trabajo se abordó un conjunto de elementos que permiten partir de un punto inicial en cuanto a la evaluación de los diferentes objetivos de las interfaces de explicación.

Para los diferentes objetivos se comentan los principales elementos que pueden considerarse y se sugieren métricas para que cada uno de ellos sea evaluado. Al final, y con el auxilio de dos interfaces de explicación, se obtiene una evaluación de usuarios reales en cuanto a la utilización de interfaces de explicación en sistemas de amplio uso en la actualidad.

El aumento de la actividad de los usuarios en el sistema, la aceptación de las recomendaciones recibidas y la variación (reducción/aumento) del gasto medio de recursos reflejan la importancia de la utilización de interfaces de recomendación en sistemas de recomendación. Las mismas permiten personalizar el contenido a los usuarios y que cada uno se sienta, en un medio virtual, un usuario único y exclusivo.

La continuidad de las experimentaciones permitirá evaluar otros criterios y conocer el comportamiento de los usuarios en relación a otros objetivos. Ampliar el número de interfaces de explicación, así como experimentar en otros sectores de aplicativos de comercio electrónico, se convierte en los próximos desafíos de los investigadores.

Referencias

  1. Avazpour, I., Pitakrat, T., Grunske, L. y Grundy, J. (2014). Dimensions and Metrics for Evaluating Recommendation Systems. En M. P. Robillard et al. (eds.), Recommendation Systems in Software Engineering (pp. 245-273). Berlin: Springer Berlin Heidelberg. Doi: 10.1007/978-3-642-45135-5[CrossRef]
  2. Ben-Elazar S. y Koenigstein, N. (2014, octubre). A Hybrid Explanations Framework for Collaborative Filtering Recommender Systems. Poster presentado en el 8th ACM Conference on Recommender Systems (RecSys), Foster City, Silicon Valley, EE.UU.
  3. Bridge, D. y Dunleavy, K. (2014). If you liked Herlocker et al.'s explanations paper, then you might like this paper too. En Tintarev et al. (eds.), Procs. of the Workshop on Interfaces and Human Decision Making for Recommender Systems: 8th ACM Conference on Recommender Systems (pp. 22-27), Foster City, Silicon Valley, EE.UU.
  4. Chen, L. y Pu, P. (2005, octubre). Trust building in recommender agents. En 1st International Workshop on Web Personalization, Recommender Systems and Intelligent User Interfaces (WPRSIUI05) (pp. 135-145), Reading, UK.
  5. Herlocker, J. L., Konstan, J. A. y Riedl, J. (2000). Explaining collaborative filtering recommendations. En CSCW ’00: Proceedings of the 2000 ACM Conference on Computer Supported Cooperative Work (pp 241-250). Nueva York: Association for Computing Machinery.
  6. Lacave, C. y Diez, F. J. (2004). A review of explanation methods for heuristic expert systems. The Knowledge Engineering Review, 19(02), 133-146.
  7. Pazzani, M.J. y Billsus, D. (2007). Content-based recommendation systems. En Brusilovski et al. (eds.), The Adaptive Web: Methods and Strategies of Web Personalization (pp. 325-341). Berlin: Springer-Verlag Berlin Heidelberg.
  8. Pu, P. y Chen, L. (2006, enero). Trust building with explanation interfaces. En Proceeding of the 11th international conference on Intelligent User Interfaces (pp 93-100). Sydney, Australia: Association for Computing Machinery Press.
  9. Pu, P. y Chen, L. (2007). Trust-inspiring explanation interfaces for recommender systems. Knowledge-Based Systems, 20(6), 542-556.
  10. Tintarev, N. y Masthoff, J. (2007, abril). A survey of explanations in recommender systems. En Proceedings of the 2007 IEEE 23rd International Conference on Data Engineering Workshop (pp. 801-810). Washington D.C.: IEEE Computer Society.
  11. Tintarev, N. y Masthoff, J. (2011). Designing and evaluating explanations for recommender systems. En Ricci et al. (eds.), Recommender Systems Handbook (pp. 479-510). Nueva York: Springer Science+Business Media.
  12. Zanker, M. y Schoberegger, M. (2014, octubre). An Empirical Study on the Persuasiveness of Fact-based Explanations for Recommender Systems. En Tintarev et al. (eds.), Procs. of the Workshop on Interfaces and Human Decision Making for Recommender Systems : 8th ACM Conference on Recommender Systems, (pp. 33-36), Foster City, Silicon Valley, EE.UU.
  13. Zhang, Y. (2014, octubre). Browser-Oriented Universal Cross-Site Recommendation and Explanation based on User Browsing Logs. En Proceedings of the 8th ACM Conference Series on Recommender Systems (RecSys), Foster City, Silicon Valley, EE.UU.
  14. Zhang, Y., Lai, G., Zhang, M., Zhang, Y., Liu, Y. y Ma, S. (2014, julio). Explicit factor models for explainable recommendation based on phrase-level sentiment analysis. En Proceedings of the 37th international ACM SIGIR conference on Research & development in information retrieval (pp 83-92), Gold Coast, Queensland, Australia.
Cleger-Tamayo, S., Picanço-Bastos, M.S. y Figueiras de Farias, M.S. (2017). Evaluación de interfaces de explicación en los sistemas de recomendación. Revista Científica, 29 (2), 129-139.