Resumen de Exploiting the conceptual space in hybrid recommender systems: a semantic based approach
El incesante crecimiento en el volumen y complejidad de la información que nos abruma diariamente reta a los límites de la capacidad de procesado humana en una amplia gama de actividades de búsqueda y comercio electrónico, En este contexto, se hace necesario el ayudar a afrontar esa sobrecarga presentando a los usuarios los productos más interesantes, a la vez que ofreciendo novedad, sorpresa y relevancia.%&/Los sistemas de recomendación sugieren a los usuarios aquellos productos o servicios que les pueden interesar teniendo en cuenta o prediciendo sus gustos, preferencias u objetivos. Para alcanzar este fin, perfiles de usuario o históricos de uso son comparados con algunas características de referencia que pueden estar asociadas a los objetos de información (aproximación basada en contenido), o al entorno social de los usuarios (aproximación basada en filtrado colaborativo). Inspiradas en técnicas de áreas del conocimiento como la Recuperación de Información y el Aprendizaje Automático, las aproximaciones anteriores hacen uso de modelos estadísticos o de heurísticas que intentan capturar las correlaciones entre usuarios y objetos.%&/Aplicaciones comerciales como Amazon (www.amazon.com), Google News (news.google.com) o YouTube (www.youtube.com) han demostrado el gran éxito de las estrategias de recomendación existentes. Sin embargo, diversas limitaciones de los sistemas de recomendación actuales siguen vigentes, como la poca densidad de los espacios de preferencias de usuario y atributos de contenido, la dificultad de recomendar ítems a usuarios con pocas preferencias declaradas, o la falta de flexibilidad para incorporar variables contextuales en los procesos de recomendación.%&/Algunas de estas limitaciones se pueden asociar a un limitado entendimiento y explotación de la semántica subyacente tanto en los perfiles de usuario como en las descripciones de objeto. De este modo, una mejora en la representación semántica del conocimiento que permita describir intereses y contenidos podría ayudar a solventar esas limitaciones.%&/Esta tesis explora el desarrollo de un modelo de representación de conocimiento basado en ontologías que permite enlazar los significados explícitos e implícitos en los intereses de usuario y en los contenidos de recursos. A partir de la representación de conocimiento propuesta se presentan y evalúan una serie de modelos de recomendación basados en contenido y colaborativos. Por otra parte, la posterior integración de estos modelos en un prototipo ha ofrecido primeros resultados empíricos con usuarios reales, y da la oportunidad de abordar problemas pendientes de resolver en el campo de los sistemas de recomendación.
