Sistema recomendador híbrido basado en modelos probabilísticos
- Autores: Priscila M. Valdiviezo
- Directores de la Tesis: Jesús Bobadilla (dir. tes.)
- Lectura: En la Universidad Politécnica de Madrid ( España ) en 2019
- Idioma: español
- Tribunal Calificador de la Tesis: Fernando Ortega Requena (presid.), Abraham Gutiérrez (secret.), Alejandro Martín García (voc.), Miguel Ángel Patricio Guisado (voc.), Francisco Javier García Algarra (voc.)
- Programa de doctorado: Programa de Doctorado en Ciencias y Tecnologías de la Computación para Smart Cities por la Universidad Politécnica de Madrid
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
Los sistemas de recomendación están diseñados para proporcionar recomendaciones a los usuarios registrados por medio de un análisis de preferencias pasadas. Para lograr esto, los sistemas de recomendación utilizan técnicas de filtrado de información, las más conocidas son: filtrado colaborativo, filtrado basado en contenido, filtrado demográfico e híbrido. El filtrado colaborativo calcula las recomendaciones en función de las votaciones que la comunidad de usuarios ha realizado sobre un conjunto de ítems. Hay dos enfoques de filtrado colaborativo: basados en la memoria, que generalmente proporciona recomendaciones inexactas pero explicables; y basado en modelos, cuyas recomendaciones son más precisas pero difíciles de entender.
En la actualidad, se ha incrementado el desarrollo de sofisticados algoritmos de aprendizaje automático que se pueden usar en el contexto de los sistemas de recomendación. En esta tesis doctoral se presenta una revisión comprensiva sobre enfoques basados en modelos para sistemas de recomendación de filtrado colaborativo. Como resultado, derivamos una clasificación exhaustiva de estos modelos, algunos algoritmos que forman parte de ellos, así como las fortalezas y debilidades que estos tipos de modelos brindan.
Basado en la revisión de la literatura y en las debilidades que presentan los modelos basados en factorización matricial para interpretar los resultados y explicar las recomendaciones, se propone un modelo bayesiano que no solo proporcione recomendaciones tan buenas como los modelos de factorización matricial, sino que estas predicciones también se pueden explicar. El modelo se basa en enfoques de filtrado colaborativo tanto basados en el usuario como basados en ítems, y predice los nuevos votos de un usuario en función de los votos existentes en el conjunto de datos.
Los experimentos se realizaron con cuatro conjuntos de datos: MovieLens, FilmTrust, Yahoo, BookCrossing; los resultados obtenidos son comparados con varios modelos de línea base, utilizando varias métricas para evaluar la calidad de las predicciones y recomendaciones, éstas son: Error medio absoluto (MAE), Precisión, Recall y la Ganancia Acumulada Descontada Normalizada (nDCG). Los resultados de los experimentos presentaron un mejor rendimiento con el enfoque propuesto utilizando nDCG en comparación con los métodos de líneas base, también se mejora la precisión de la predicción en algunos conjuntos de datos.
