Estudio de estrategias de transformación de datos implícitos a datos explícitos para sistema de recomendación consciente del contexto

Abstract

Un sistema de recomendación es un software que entrega a los usuarios sugerencias personalizadas, en base a preferencias que los usuarios hayan manifestado sobre determinados grupos de productos o servicios, también llamados ítems. En este trabajo se estudian estrategias de agregación de datos que permitan resumir o condensar de manera eficiente grandes cantidades de registros implícitos, con el objetivo de transformar datos implícitos en datos explícitos, minimizando la perdida de información de contexto asociado a ellos. Se comienza presentando los sistemas de recomendación, los procesos de obtención de retroalimentación explícita e implícita, posteriormente se describe que se entiende por contexto y los Sistemas de Recomendación consientes del contexto. También se presentan algoritmos encontrados en la literatura que pueden servir de base para la estrategia que se busca desarrollar. Uno de ellos permite la transformación de datos implícitos en explícitos y otro que estudia diferencias existentes en información de contexto. En base a estos algoritmos se diseña e implementa una estrategia compuesta por cuatro métodos que transforman datos implícitos en datos explícitos utilizando la Distribución Acumulada Complementaria. Además se considera la información de contexto como un parámetro adicional para agrupar u organizar estos registros al momento de transformarlos. Los métodos que conforman la estrategia son probados por separados para determinar el que mejor representa los datos originales. De estas pruebas unitarias se elige el método al cual incorporar la variable contexto. Finalmente la implementación es sometida a experimentos en un sistema de recomendación con datos obtenidos en tiempo real, para medir las recomendaciones generadas por el sistema de recomendación aplicando cada método de transformación desarrollado.