¿Cómo sabe Internet lo que nos gusta? Expertos de la UTPL diseñaron un modelo de filtrado colaborativo híbrido con los datos que registran nuestras valoraciones online, las cuales permiten promover recomendaciones de contenidos a otros usuarios con gustos similares PERSPECTIVAS. X.L. Los sistemas de recomendación son un área del “aprendizaje de máquinas” o machine learning, un campo de la Inteligencia Artificial que dispone los algoritmos y técnicas de forma que un sistema aprenda, trabaje, recomiende, prediga o determine patrones y comportamientos.
Según la profesora Priscila Valdiviezo, docente del Departamento de Informática y Electrónica, Universidad Técnica Particular de Loja (UTPL), podemos entender a los sistemas de recomendación como “una herramienta que se utiliza para sugerir ítems (libros, recursos, películas, etc.) a usuarios que se encuentren registrados en un sistema. Estas recomendaciones o sugerencias pueden hacerse de diferentes formas: con base en votos, con base en contenidos, con base en perfiles de usuario (zona geográfica, demografía, edad, preferencias, entre otros, en los que se recomienda ítems con base en perfiles similares). Los sistemas de recomendación se usan en el comercio electrónico o en tiendas electrónicas”. “En Amazon -explica la docente a modo de ejemplo- se recomiendan ítems a un usuario con base en gustos similares o según lo que haya visto con anterioridad. Otros sistemas de recomendación trabajan con base en likes o con escalas del uno al cinco que evalúan cuánto ha gustado a un usuario el ítem y, a partir de una evaluación positiva, se le recomienda un objeto similar. Netflix recomienda películas y series con sistemas de este tipo. La clave de los sistemas de recomendación es tener gran cantidad de información histórica para que el sistema pueda aprender de datos anteriores y así hacer una mejor sugerencia”. La profesora Valdiviezo es experta en la materia. Junto a Fernando Ortega, de la Universidad Politécnica de Madrid, y Diego Rojo, del Centro Universitario de Tecnología y Arte Digital (Madrid), firma un artículo de investigación en el que se propone un método híbrido novedoso que fusiona las recomendaciones proporcionadas por diferentes enfoques de lo que se denomina “filtrado colaborativo” basado sobre un algoritmo de clasificación múltiple que se realiza en función del comportamiento de calificación de los usuarios. En los sistemas de recomendación se necesita técnicas de filtrado de la información para determinar cuál puede ser útil o relevante para un usuario y descartar la que no lo es. Estas técnicas de filtrado pueden ser colaborativas o basadas en contenido. “El filtrado colaborativo -resume la profesora Valdiviezo- trabaja en función de los gustos similares de otros usuarios (por eso es colaborativo) y, por tanto, hace recomendaciones de acuerdo con la similitud de ciertos usuarios o de los ítems y necesariamente trabaja con votos: likes o escalas de votación. Por ejemplo, hay bibliotecas que piden al usuario que califique un libro en una escala y, si la evaluación es positiva, luego se le puede recomendar un libro similar que aún no ha sido votado”.
8
Perspectivas de de Investigación Investigación UTPL UTPL Perspectivas
Priscila Valdiviezo pmvaldiviezo@utpl.edu.ec Sección Departamental Inteligencia Artificial Doctora en Ciencias y Tecnologías de la Computación para Smart Cities por la UPM, Madrid, España. Máster en Educación a Distancia por la UTPL. Ingeniera en Sistemas Informáticos y Computación por la UTPL. Docente Investigador del Departamento de Ciencias de la Computación y Electrónica de la UTPL. Áreas de investigación: Machine Learning y Data Mining.
