Sistemas de recomendación flexibles dependientes de usuario

Resumen

Los sistemas de recomendación son omnipresentes en el panorama tecnológico actual, apareciendo en la mayoria de aplicaciones que usamos hoy en dia. Su prevalencia se debe a las enormes cantidades de información que se vierten a internet dia a dia y a como, sin un filtrado efectivo, la experiencia del usuario sería totalmente inoperativa. Los sistemas de recomendación facilitan la interacción óptima con el mundo digital al extraer información relevante de los elementos con los cuales interactuamos y facilitandonos el acceso a aquellos que es mas probable que nos interesen segun las necesidades individuales. A pesar de su uso generalizado, los sistemas de recomendación también son herramientas comerciales, lo que ha impulsado una amplia investigación en técnicas y algoritmos de recomendación. Esta área de investigación tiene el potencial de tener impactos significativos en nuestras vidas, generando preocupaciones sobre su influencia tanto en aspectos físicos como psicológicos. En el ámbito académico, los sistemas de recomendación tienen diversas aplicaciones, centrándose principalmente en ayudar a los usuarios en la selección de servicios o productos en comercio electrónico. La evolución de estos sistemas, impulsada por avances como las redes neuronales, amplió su aplicabilidad más allá de los dominios tradicionales a áreas como noticias y canciones o películas. A pesar de estos avances, aun hay desafíos en la aplicación efectiva de los sistemas de recomendación, especialmente en escenarios complejos influenciados por factores contextuales y objetivos diversos. La necesidad de recomendaciones personalizadas, considerando múltiples elementos, su orden y factores contextuales adicionales como consideraciones de salud y opiniones de expertos, plantea un problema intrigante que carece de una estrategia clara de resolución. Esta tesis tiene como objetivo abordar estos escenario de recomendacion denominados complejos mediante el desarrollo de nuevas metodlogias y herramientas de software. La combinación de varios elementos, características textuales, fuentes de expertos y preferencias del usuario constituye la vanguardia de este problema de recomendación, requiriendo soluciones innovadoras. Con este propósito, proponemos un enfoque inicial para sistemas de recomendación en entornos complejos, destacando las diferencias entre ellos y sus posibles aplicaciones en una clasificación novedosa. En esta clasificación, resaltamos la fuente de complejidad en diversos escenarios mediante la recopilación de estudios que han explorado estos entornos. Una vez completada esta clasificación, procedemos a presentar nuestro enfoque para el problema. En nuestro caso, implica un enfoque dual:primeramente utilizamos aquellas restricciones fuertes para obtener combinaciones de items que puedan ser recomendaciones. Estas soluciones se crean mediante un algoritmo genetico que evalua las diferentes restricciones designadas con el fin de encontrar multiples soluciones compuestas. Ademas, la estocasticidad del sistema nos permite no solo satisfacer numerosas restricciones, si no tener una gran diversidad y adaptabilidad. Una vez obtenidas estas soluciones iniciales, en la segunda fase de nuestro sistema, refinamos nuestra recomendación. Esta segunda fase se centra habitualmente en las prefrencias del usuario, que son de un menor calado restrictivo que las anteriores y admiten una mayor variabilidad . Este enfoque se prueba en los ámbitos de nutrición y podcasts. El primero es una aplicación dentro del proyecto europeo Stance4Health, utilizando el prototipo inicial de nuestro sistema. En la aplicación de podcasts, ofrecemos un tipo de recomendación menos estricta que la primera, permitiendo una mayor mejora en línea con las preferencias del usuario. El segundo sistema se configura a partir de un paquete de Python, permitiendo una replicabilidad más amplia y el uso de nuestro enfoque en diversos escenarios. Posteriormente, nuestro enfoque profundiza en comprender los intereses del usuario desde una perspectiva psicológica en las recomendaciones e identifica lo necesario para que los usuarios sigan las recomendaciones. Esto es particularmente relevante en el caso de las recomendaciones de nutrición basadas en la salud, ya que el usuario puede no notar un efecto beneficioso inmedito por el sistema, pero a la larga los efectos son positivos. Con ese fin, realizamos un estudio teórico sobre parámetros que aumentan la participación del usuario y posteriormente lo evaluamos en la aplicación de salud Stance4Health. A partir de la literatura, encontramos que las justificaciones, al mejorar la explicabilidad del sistema, pueden hacer que los usuarios perciban nuestras recomendaciones como más útiles e interesantes. Sin embargo, obtener estas justificaciones puede ser costoso. Para abordar esto, proponemos un algoritmo supervisado que filtra documentos de expertos en nutrición para construir una base de datos basada en evidencia, permitiendo justificaciones nutricionales basadas en la evaluación de nuestra receta. Finalmente, proporcionamos una estimación de las emisiones de gases de efecto invernadero generadas por nuestro enfoque a lo largo de toda la tesis, con datos que permiten la estimación por ejecución individual.