Sistemas de Recomendación

Retos

 

Los Sistemas de Recomendación son modelos que generan recomendaciones de ítems que pueden ser de interés para cada usuario de forma personalizada.

Algunos ejemplos famosos de sistemas de recomendación son: Amazon (Customers who bought this… ) y Netflix (recomendación de películas). Cada día son más los servicios que incorporan funcionalidades de recomendación a sus usuarios, su rápida expansión se debe en parte a su amplia generalidad: Obtener recomendaciones es de interés en cualquier servicio en que se disponga de una comunidad de usuarios y una comunidad de ítems demasiada amplia para ser revisada una a una.

En este tipo de modelos de negocio el reto principal es la gestión automática de la información para la generación de ingresos. Uno de los sistemas clave en la generación de ingresos es la recomendación.

 


Enfoque

 

Existen dos principales enfoques en las metodologías adoptadas por los sistemas de recomendación:

Collaborative Filtering:

Sistemas de recomendación basados en las acciones de los propios usuarios.

Las acciones de los usuarios nos dan información sobre sus propios gustos y información de los propios ítems. La idea subyacente es que esta información se puede analizar para captar los dos siguientes puntos:

  • Para cada usuario, cuales son sus gustos.
  • Para cada ítem, cuales son los gustos que satisface.

Esta idea que parece tan sencilla, requiere de un modelo complejo que necesita un alto coste en cálculo para ser ajustado en función de los datos con técnicas procedentes del campo de Machine Learning.

Su principal virtud es que permiten recomendar sin “entender” cuales son los ítems subyacentes, no hace falta que tengamos información explícita de ellos, solo las acciones de los usuarios sobre estos.

 

 

 

 

Content-Based Filtering:

Sistemas de recomendación basados en el propio contenido del ítem.

La información que se posee del propio ítem puede ser procesada para inferir que ítems son parecidos entre sí. A partir de estas similitudes podemos buscar ítems que se parezcan al los que el usuario ya posee una relación satisfactoria, o que se parezcan al conjunto total o un subgrupo de ítems que el usuario sabemos que son de su agrado.

A su vez, existen también modelos híbridos que combinan ambos.


Beneficios

 

Los algoritmos que Grupo AIA  aplica a la generación de Sistemas de Recomendación permiten:

  • Detectar comunidades de usuarios con un comportamiento o intereses afines.
  • Obtener un scoring de la importancia que cada usuario da a los productos disponibles.
  • Permite recomendar contenido a usuarios dependiendo de las preferencias del propio usuario o de usuarios afines a él.
  • Permite recomendar contenidos afines a aquellos por los que ha mostrado interés, permitiendo el descubrimiento de nuevos focos de interés.
  • Permite estudiar la evolución de las tendencias y preferencias sociales
  • Permite la interpretación de las relaciones sociales traduciéndolas en contenidos de interés