Toward a Rapid Development of Social Network- Based Recommender Systems

Transcripción

1 Toward a Rapid Development of Social Network- Based Recommender Systems G. Rojas and I. Garrido 1 Abstract Actions carried out in social networks such as Facebook, Twitter, Foursquare, and the like, can greatly benefit the quality of recommendations provided by recommender systems. Usual interactions on these platforms provide valuable information on user preferences and proximity with other users. However, the use of this information by external recommender systems is still incipient and developers have little support to do it efficiently. In this paper, we introduce a model-driven development framework for recommenders systems based on social networks. The core of this framework is an abstract, social network-independent model of recommender systems, which combines domain-independent concepts of collaborative filtering with basic concepts of social networks that can be exploited for recommendation purposes. From this model, developers can specify the structure and algorithms of domain-specific recommender systems at a high abstraction level. An automatic code generation strategy supports the implementation phase. Experiments show promising results in development-time saving. Keywords Recommender Systems, Social Networks, Model Driven Development, Automatic Code Generation, Cold Start Problem. I. INTRODUCCIÓN OS SISTEMAS de recomendación concitan creciente L interés como una valiosa alternativa para lidiar con la sobrecarga de información, mediante la provisión de acceso rápido a ítems que se ajustan a las preferencias del usuario y su contexto de interacción. Los estudios en este ámbito se han centrado principalmente en perfeccionar la calidad de los resultados provistos por distintos enfoques y algoritmos de recomendación y por integrar características del contexto de interacción que influencian las preferencias del usuario. Uno de los desafíos que enfrentan los sistemas de recomendación es la baja disponibilidad de información sobre las preferencias de sus usuarios. Los datasets de preferencias a partir de los cuales se realizan recomendaciones suelen ser altamente dispersos [1,2], con pocas preferencias por usuario en comparación a la cantidad de ítems disponibles. Para usuarios nuevos, se debe enfrentar el problema del cold-start (o partida en frío) [3], que describe la dificultad de proveer recomendaciones iniciales ante la nula existencia de información sobre preferencias. Una de las alternativas para enfrentar estas carencias consiste en aprovechar la información que los mismos usuarios suministran en las distintas redes sociales en las que participan. Las redes sociales se han constituido en una valiosa G. Rojas, Universidad de Concepción, Concepción, Chile, gonzalorojas@udec.cl I. Garrido, Universidad de Concepción, Concepción, Chile, ismaelgarrido@udec.cl Corresponding author: Gonzalo Rojas fuente de información, cuyos datos son capturados, analizados y explotados en variados contextos [4,5]. En el ámbito de los sistemas de recomendación, las relaciones que se establecen entre distintos usuarios de redes sociales pueden mejorar la selección de usuarios similares (vecinos) a partir de cuyas preferencias se obtienen las recomendaciones. En otro escenario, las preferencias expresadas por ítems en un dominio particular (películas, música, libros, etc.) pueden complementar las preferencias de un sistema de recomendación para ítems de dicho dominio. Un tercer escenario provechoso es la implementación de nuevas funcionalidades de recomendación en las propias redes sociales, lo que ayuda a lidiar con la sobrecarga de información que es fácilmente observable en estos sistemas. De esta forma, las actividades que los usuarios realizan en redes sociales se transforman en una valiosa característica de contexto que influye en la calidad de las recomendaciones. Sin embargo, tal como se plantea en [6], en el ámbito de los sistemas de recomendación dependientes de contexto, la intensa actividad investigadora sobre algoritmos de recomendación no ha ido de la mano con propuestas ingenieriles que ayuden al diseño, implementación y uso de estos sistemas. El presente trabajo aborda el desafío ingenieril de desarrollar sistemas de recomendación basados en la información que sus usuarios suministran en redes sociales. Para ello, propone un modelo abstracto que integra conceptos de recomendación basada en filtrado colaborativo con características típicas de las interacciones en redes sociales que son útiles para el proceso de recomendación. Este modelo es la base para una estrategia de desarrollo dirigida por modelos, en la cual la estructura de un sistema de recomendación particular se especifica mediante un diagrama de clases UML en el que se asocian los conceptos propios de su dominio particular con los conceptos independientes del dominio expresados en el modelo abstracto. Mediante reglas de transformación de modelo a texto, se genera automáticamente el código que implementa la estructura del sistema de recomendación. Dicho código se integra fácilmente con datos extraídos de redes sociales y con algoritmos de recomendación, sean éstos generados automáticamente a partir de los modelos dinámicos, o implementados manualmente. De esta forma, se pueden obtener rápidamente prototipos ejecutables de sistemas de recomendación que permiten generar recomendaciones considerando la interacción del usuario en redes sociales. Esta rápida implementación facilita el análisis de los resultados obtenidos a partir de los algoritmos de recomendación elegidos y de alternativas de uso de la información de redes sociales en el proceso de recomendación. El resto del artículo se estructura como sigue: en la Sección II se presentan algunos trabajos relacionados a la integración

2 de sistemas de recomendación y redes sociales. En la Sección III, se realiza una descripción de la propuesta de desarrollo. En la Sección IV, se detalla el modelo abstracto de recomendación, que es la base de la propuesta de desarrollo. La Sección V describe la implementación de esta propuesta, a través de un caso de estudio. La Sección VI describe un experimento que compara la propuesta con dos escenarios alternativos en términos de tiempo de desarrollo. Finalmente, se presentan conclusiones y líneas de trabajo futuro. II. TRABAJOS RELACIONADOS La relación entre sistemas de recomendación y redes sociales ha sido estudiada en términos de posibilidades y características de estas últimas que, expresadas explícita o implícitamente, favorecen la calidad de los sistemas de recomendación [7]. Como ejemplo, en [8] se resalta la mejora obtenida en las recomendaciones de una red social de música al considerar las relaciones de amistad entre sus usuarios, para un proceso de recomendación basado en grafos. El trabajo presentado en [9] demuestra las ventajas de la información sobre amigos directos e indirectos (amigos de amigos) de un usuario en redes sociales para enfrentar el problema del coldstart, sugiriendo la aplicación de filtros semánticos para la elección de los amigos más relevantes en el dominio de la recomendación. En [10], los autores evaluaron los efectos de la combinación de evaluaciones realizadas en un sistema de recomendación con las realizadas por los mismos usuarios en Facebook, validando las preferencias emitidas en esta red social como un instrumento eficaz para proveer preferencias iniciales a usuarios nuevos y en términos de la calidad de la recomendación obtenida, tanto a partir de preferencias expresadas por ítems del mismo dominio del sistema de recomendación como a partir de preferencias por ítems de otros dominios (cross-domain recommendations [11]) Entre algunas propuestas que adaptan métodos tradicionales de recomendación a información provista en redes sociales, cabe mencionar la propuesta SocialCollab [12], como una adaptación de la técnica de recomendación de filtrado colaborativo [13] para recomendación de personas en redes sociales. Se establece que dos usuarios son similares si han preferido a los mismos usuarios (tienen los mismos gustos), o bien si son preferidos por los mismos usuarios (tienen similar atractivo). Como resultado, se recomiendan relaciones entre dos usuarios, prediciendo una relación exitosa (solicitada y respondida favorablemente), haciendo coincidir el gusto de uno con el atractivo del otro, y viceversa. Adoptando otra técnica de recomendación, la propuesta CB Filtered Wall [14] permite un filtrado automático de mensajes que el sistema determina no deseables para el usuario actual, a partir de reglas basadas en contenido [15]. El beneficio mutuo entre sistemas de recomendación y redes sociales que reportan estos trabajos ha sido, sin embargo, débilmente apoyado por propuestas que aborden esta integración siguiendo las buenas prácticas de Ingeniería de Software. Con ello, el estado del arte en esta materia privilegia la confirmación empírica del potencial de esta integración, o soluciones ad-hoc para el desarrollo de sistemas particulares. Como una excepción, el framework Hybreed [16] apoya el desarrollo de sistemas de recomendación basados en contexto, proveyendo al desarrollador de facilidades para definir combinaciones híbridas de algoritmos conocidos en base a una definición dinámica de contexto. A partir de un núcleo de componentes comunes provistos mediante paquetes en Java previamente implementados, el desarrollador construye vistas para sistemas de recomendación específicos. Además, el framework implementa interfaces para la integración de información recolectada a partir de redes sociales. A diferencia de nuestra propuesta, Hybreed aborda el desarrollo de sistemas de recomendación a nivel de implementación. También a nivel de código, destaca la existencia de algunas bibliotecas como Lenskit (orientado principalmente a la academia) [17] y Apache Mahout [18], las que proveen acceso a algoritmos de recomendación (principalmente de filtrado colaborativo) a sistemas ya desarrollados, en base a información previamente recolectada de usuarios, ítems y preferencias. Entre las propuestas que caracterizan sistemas de recomendación dependientes de contexto utilizando modelos conceptuales, destaca el trabajo de Ceri et al. [19], que amplía un método de producción de software con conceptos de recomendación y de contexto descritos a alto nivel. Esta propuesta, sin embargo, no incorpora explícitamente la información de redes sociales. III. DESCRIPCIÓN DE LA PROPUESTA El presente trabajo propone un framework de desarrollo que permite agilizar la implementación de sistemas de recomendación que utilicen información de redes sociales. Adoptando el paradigma de desarrollo dirigido por modelos [20,21], permite especificar la estructura y dinámica de un sistema de recomendación en un alto nivel de abstracción, a partir de un modelo abstracto que combina conceptos de filtrado colaborativo con elementos de redes sociales. A partir de estos modelos, la propuesta permite generar automáticamente el código correspondiente a las clases del sistema y los métodos de recomendación. De esta forma, se facilita tanto la validación y experimentación de algoritmos de recomendación, como el desarrollo del sistema de recomendación final, proveyendo una base para futuros incrementos de desarrollo. La propuesta apoya la generación de recomendaciones en los siguientes tres escenarios: (i) Un sistema de recomendación busca suplir preferencias faltantes de usuarios por ciertos ítems de su dominio, a partir de las preferencias expresadas por los mismos usuarios sobre los mismos ítems en redes sociales. (ii) Un sistema de recomendación busca complementar la similitud entre usuarios con la relación de proximidad establecida por los mismos usuarios en una red social (amistad, seguimiento, etc.). (iii) Una red social incorpora algoritmos de recomendación para mejorar recomendaciones de sus ítems. Los dos primeros escenarios proponen alternativas para enfrentar el problema de cold-start de los sistemas de recomendación basados en filtrado colaborativo, donde no se cuenta con suficiente cantidad de preferencias como para computar las similitudes necesarias entre usuarios o ítems para efectuar recomendaciones. El tercer escenario busca facilitar el desarrollo de nuevas capacidades de recomendación en redes sociales existentes o futuras.

3 La Fig. 1 muestra la arquitectura de desarrollo propuesta. El núcleo del framework corresponde al modelo abstracto de recomendación basada en redes sociales, que describe los conceptos fundamentales de recomendación basada en filtrado colaborativo, integrándolos con conceptos de redes sociales que son útiles para el proceso de recomendación. Este modelo corresponde a un Diagrama de Clases UML, que permite modelar la estructura completa de un sistema de recomendación específico mediante la instanciación de sus clases abstractas a dominios concretos. El núcleo se complementa con modelos de algoritmos de similitud y predicción, correspondientes a Diagramas de Comunicación UML, que permiten ajustar estrategias de selección de ítems o usuarios para cálculo de similitud y predicción de preferencias según los requerimientos de cada sistema de recomendación, independientemente de lenguajes de implementación. colaborativo, así como elementos comunes de redes sociales que pueden ser explotados en el proceso de recomendación. La base de filtrado colaborativo se justifica por su independencia de dominios particulares (la recomendación sólo se basa en comparación de preferencias entre usuarios) y su amplia adopción en los sistemas existentes. Figura 2. Modelo abstracto de recomendación basada en redes sociales. Figura 1. Arquitectura de desarrollo de sistema de recomendación basado en redes sociales. Tanto el diagrama de clases UML resultante como los diagramas de comunicación seleccionados son transformados automáticamente a código en un lenguaje orientado a objetos, mediante reglas de transformación Modelo-a-Texto [22]. El resultado describe el núcleo del sistema a nivel de código, comprendiendo las clases de dominio (con atributos y signaturas a métodos para la recomendación) y los algoritmos de similitud y predicción. Para la ejecución del prototipo, el código generado se integra con una unidad de ejecución, que captura las interacciones de los usuarios en el sistema de recomendación e invoca a las clases y métodos generados automáticamente, comunicándose con el repositorio de datos. Este repositorio integra la información proveniente de redes sociales con la información de los usuarios, ítems y preferencias del sistema, junto a la información precomputada de similitud entre ítems y/o usuarios a partir de dichas preferencias. IV. MODELO ABSTRACTO DE RECOMENDACIÓN BASADA EN REDES SOCIALES El núcleo de esta propuesta es el modelo abstracto de sistemas de recomendación, que se ilustra en la Fig. 2. Este modelo corresponde a un Diagrama de Clases UML conformado por clases abstractas que representan los conceptos básicos de recomendación basada en filtrado Las clases abstractas definidas están relacionadas mediante asociaciones y relaciones de herencia. Cuentan además con atributos básicos para el cálculo de recomendaciones y con la definición de los métodos que ejecutan los algoritmos de recomendación, desde la perspectiva de asignación de responsabilidades entre objetos. Para definir un modelo estructural de un sistema de recomendación específico, se definen las clases, atributos y asociaciones específicas del dominio correspondiente, incluyendo los de la red social a utilizar. El desarrollador atribuirá a las clases que corresponda la dependencia en herencia de las clases del modelo abstracto. Para esta integración, el framework provee de un profile UML simple, que extiende la metaclase class del metamodelo UML con estereotipos correspondientes a las clases del modelo abstracto. De esta forma, las clases del sistema específico son estereotipadas con las clases del modelo abstracto, heredando sus propiedades y permitiendo la ejecución directa de los algoritmos de recomendación seleccionados. Junto con apoyar la definición estructural de nuevos sistemas de recomendación, esta estrategia permite atribuir capacidades de recomendación a un sistema preexistente, aplicando el profile a su correspondiente diagrama de clases y estereotipando aquellas que se identifiquen como compatibles con la red social a utilizar. Por otra parte, la incorporación de conceptos comunes de redes sociales dentro de un marco de desarrollo de sistemas de recomendación, permite abstraer al desarrollador de detalles particulares de redes sociales específicas, y así enfocar su atención en aquellos aspectos que son útiles al proceso de recomendación.

4 Los elementos centrales del modelo son: (i) Usuario. La clase abstracta Usuario describe al usuario del sistema de recomendación, que expresa sus preferencias sobre ítems que conoce y, de acuerdo a ellas, recibe recomendaciones de ítems desconocidos. (ii) Ítem. Describe el concepto a ser evaluado y recomendado. El modelo especializa esta clase en tres subclases: a. Publicación, referida a la interacción típica de redes sociales, en las cuales se publica un mensaje en un espacio compartido con otros usuarios. Corresponde, por ejemplo, a una publicación en Facebook o un tweet de Twitter; b. Ítem de Dominio, se refiere a ítems de distintos dominios sobre los cuales los usuarios publican algún mensaje o expresan alguna preferencia. Por ejemplo, películas en Facebook, empresas en LinkedIn, restaurantes en Foursquare; c. Usuario, correspondiente a la misma clase anterior, pero describiendo a los usuarios con los que el usuario actual interactúa en la red social y que el sistema propone para establecer nuevas relaciones unidireccionales (seguimiento, en Twitter) o bidireccionales (amistad, en Facebook). (iii) Preferencia. El modelo recoge los tres tipos básicos de evaluación implementados tanto en sistemas de recomendación como en redes sociales: unaria, binaria y escalar. Así, es posible modelar, por ejemplo, evaluaciones unarias sobre usuarios (seguir a un usuario Twitter), binarias sobre publicaciones (like / dislike de enlaces en Reddit), o escalares sobre ítems de dominio (número de estrellas, de 1 a 5, sobre películas en Facebook). Nótese que, en el primer caso, la evaluación es implícita, es decir, el sistema de recomendación deduce una preferencia a partir de una interacción normal de la red social, mientras que, en los dos ejemplos siguientes, la evaluación es explícita, es decir, la interacción del usuario tiene como objetivo el suministrar su evaluación. Adicionalmente, el modelo define las clases Similitud_ Usuario y Similitud_Ítem para registrar los valores de similitud entre pares de usuarios e ítems, respectivamente, calculados con algoritmos de filtrado colaborativo a partir de las preferencias recolectadas. Finalmente, las clases abstractas correspondientes a redes sociales son complementadas con las siguientes estructuras: (i) Clase Categoría: esta clase representa descriptores de categorías de dominio para los 3 tipos de ítems del sistema. Estos datos permiten complementar el filtrado colaborativo con recomendaciones basadas en contenido. Algunos ejemplos de clases concretas de Categoría son: etiquetas (Twitter, Instagram), habilidades (LinkedIn), categorías (Foursquare). (ii) Asociación Publicación Ítem de Dominio: esta asociación permite expresar la referencia que una publicación hace de un ítem de dominio. Las eventuales preferencias que reciba la publicación pueden considerarse una preferencia indirecta (o débil) del Ítem de Dominio asociado (Ej.: publicación de un comentario sobre una película). (iii) Asociación Usuario Publicación: permite describir la autoría de una publicación. Tal como en el caso anterior, una preferencia por una publicación puede ser considerada una preferencia indirecta por el usuario autor. V. IMPLEMENTACIÓN DE LA PROPUESTA La propuesta ha sido implementada sobre el entorno de desarrollo Eclipse (versión Mars, paquete Modelling Tools [23]). Para la creación del modelo abstracto y el UML profile que permite su instanciación, se utilizó el entorno de modelado Papyrus [24]. Finalmente, se creó un plugin en el entorno Acceleo [25], que permite la transformación automática de los modelos conceptuales creados a código en Java (modelos, plugin y dataset de prueba están disponibles en La Fig. 3 muestra el resultado del primer paso del desarrollo basado en el framework propuesto, correspondiente a la confección del Diagrama de Clases específico, en este caso, de un sistema que recomienda películas, utilizando información extraída desde Facebook. La recomendación utilizará los datos de amistad entre sus usuarios y las preferencias Me gusta y de evaluación numérica expresada por películas. Como se aprecia, el desarrollador ha asignado los estereotipos correspondientes al usuario del sistema (llamado Usuario) y al ítem a evaluar y recomendar (Película). Además, ha clasificado las dos evaluaciones de acuerdo a los tipos abstractos Unario y Escalar, respectivamente. Figura 3. Diagrama de Clases de un sistema de recomendación basado en Facebook, al que se han aplicado los conceptos del modelo abstracto. Como segundo paso, se eligen los Diagramas de Comunicación para computar la similitud entre ítems o usuarios, y para asignar un valor de preferencia a los ítems a recomendar. En la Fig. 4, se muestra una posible opción para el diagrama de similitud, correspondiente a una de las cuatro alternativas actualmente implementadas por el framework. En este caso, se ejecutará una estrategia de similitud basada en usuarios, es decir, se obtendrán recomendaciones a partir de usuarios similares. Esta similitud se computará en base a una estrategia que compara usuarios que han preferido los mismos ítems, calculando la similitud de sus correspondientes vectores de preferencia (a través del método ObtainSimilarity invocado por el mensaje 2.5, en la Fig. 4). Notemos que los objetos que interactúan en el Diagrama de Comunicación corresponden a las clases independientes del dominio definidas en el modelo abstracto, lo que independiza el cálculo de las recomendaciones de dominios particulares. La selección del diagrama de predicción de preferencias es análogo. Para más detalles del cálculo de predicciones y otras opciones de

5 parametrización de estos esquemas se discuten en [26]. Figura 4. Diagrama de Comunicación para cálculo de similitud de usuarios, con estrategia de comparación basado en ítems preferidos en común. El paso final corresponde a la ejecución de las reglas de transformación de modelo a texto, implementadas en un plugin que contiene reglas de transformación modelo a texto en el lenguaje estándar MOF M2T [22]. La ejecución de este plugin (que llamamos Recommendation Support) permite obtener el código Java de forma automática, a partir de los modelos abstracto y específico de dominio, y del diagrama de comunicación, respectivamente. En su versión actual, el plugin incorpora de forma nativa la implementación de las fórmulas Coseno y Pearson-r para el cálculo de similitud, las que son elegidas como parámetros del modelo de comunicación correspondiente. Además, el plugin agrega una clase interfaz que invoca a los métodos que ejecutan el cálculo de similitud y la generación de recomendaciones, enmascarando los detalles de los algoritmos seleccionados. Para ejecutar el código generado, se implementa manualmente el módulo de ejecución, que realiza la llamada a la base de datos con los datos previamente extraídos desde la red social e invoca al algoritmo de recomendación generado. VI. EXPERIMENTOS Para validar las ventajas de esta aproximación, se realizó un experimento que comparó los tiempos de desarrollo para un sistema de recomendación basado en redes sociales, considerando tres escenarios que se distinguen entre sí por la aplicación total o parcial del modelo abstracto y de generación automática de código. Así, el primer escenario corresponde a la aplicación completa del framework propuesto, es decir, a la confección de un diagrama de estructura del sistema de recomendación a partir del modelo abstracto presentado, junto con la generación automática del código del algoritmo de filtrado colaborativo a partir del diagrama de comunicación. El segundo escenario sólo adoptó esta propuesta para la generación del código de la estructura de la aplicación, integrándolo con algoritmos del framework de recomendación Apache Mahout, a nivel de implementación. Un tercer escenario propone la confección del diagrama de estructura del sistema de recomendación sin la guía del modelo abstracto, debiendo el desarrollador describir los conceptos relevantes e integrarlos exitosamente con los algoritmos de recomendación de Apache Mahout. Para este experimento, se asignó el desarrollo del ejemplo descrito en la sección anterior. Un equipo conformado por 24 desarrolladores, 18 pertenecientes a últimos años de carreras de ingeniería en computación y 6 a ingenieros en computación en estudios de postgrado. Los desarrolladores fueron asignados aleatoriamente en uno de los tres escenarios, con 6 estudiantes de pregrado y 2 de postgrado enfrentando individualmente cada escenario. Todos los desarrolladores fueron provistos de instrucciones de desarrollo, y con una estación de trabajo con el entorno de desarrollo Eclipse, junto con las extensiones y bibliotecas necesarias (Papyrus para la edición de modelos UML en los tres escenarios, Acceleo y el plugin Recommendation Support para el primero, Java CodeGeneration de Papyrus y Apache Mahout, para los escenarios 2 y 3), más un servidor local PHP/MySQL conteniendo una base de datos de prueba que combina un dataset de amistades en Facebook [27] con otro que contiene preferencias de MovieLens [28]. Junto con la generación o integración del código del sistema, el desarrollador debe modificar una versión inicial del Módulo de Ejecución, correspondiente a una clase Java que provee conexión al dataset, para proveer las siguientes 3 listas de recomendaciones: a) Recomendaciones de películas para un usuario, basadas en sus evaluaciones previas, aplicando algoritmo de recomendación Pearson-r basado en similitud de ítems. b) Recomendaciones de amigos, basado en relaciones de amistad, aplicando algoritmo de recomendación Coseno basado en similitud de ítems. c) Ítems preferidos (rating>3) por amigos de la red social. El gráfico de la Fig. 5 muestra una comparativa de los tiempos de desarrollo (en minutos) entre las tres alternativas de desarrollo implementadas. Figura 5. Comparativa de tiempos de desarrollo para prototipo, con variaciones en el uso de modelo abstracto (1 y 2) e integración de algoritmos de recomendación (1, generación automática, 2 y 3 integración a nivel de implementación). Los resultados muestran una significativa ventaja en el uso del modelo abstracto de recomendación (escenarios 1 y 2) en los tiempos de desarrollo, con un promedio de 33 y 31,5

6 minutos, respectivamente, frente a 66 minutos en el escenario 3. El experimento no arroja ventajas significativas en el tiempo de desarrollo en la generación automática de algoritmos de recomendación, frente a la integración de algoritmos provistos por bibliotecas de recomendación a nivel de código. En cuanto a la distribución del tiempo entre las tareas de desarrollo, los desarrolladores del primer escenario invirtieron, en promedio, un 45,5% en tareas de modelado, un 24,2% en ajustes del código generado automáticamente, y un 30% en la implementación manual del módulo de ejecución; en el escenario 2, esta distribución fue de 41,9%, 32,3% y 25,8%, y en el escenario 3, de 66%, 14% y 20%, respectivamente. El escenario 2 muestra un tiempo levemente inferior de desarrollo al escenario 1. Esta leve ventaja se atribuye a la facilidad de integrar el código de la estructura con algoritmos del framework Apache Mahout. Como amenazas a la validez del experimento, se cuenta la experiencia de los desarrolladores en herramientas de generación automática de código a partir de diseños UML. Esto no es generalizable, por lo que una adecuada capacitación de los desarrolladores en entornos de desarrollo dirigido por modelos favorecerá el éxito de esta propuesta. También influye el masivo conocimiento y uso de Diagramas de Clase UML frente a la menor adopción de Diagramas de Comunicación, que puede haber perjudicado su adopción como alternativa para describir algoritmos de recomendación a nivel conceptual. Otro factor que condiciona los resultados obtenidos es el tamaño muestral y la participación de estudiantes de pregrado, sugiriéndose la mayor participación de desarrolladores profesionales en una comparativa. VII. CONCLUSIONES El presente trabajo busca proveer a desarrolladores e investigadores de facilidades para implementar soluciones software al desafío de mejorar recomendaciones a partir de la información que los usuarios generan en redes sociales. Haciendo uso de buenas prácticas de Ingeniería de Software, del masivo uso de UML y del desarrollo de técnicas de generación automática de código, es posible obtener prototipos rápidos de sistemas de recomendación que aprovechan las preferencias de sus usuarios expresadas en redes sociales para la obtención de recomendaciones. El análisis experimental realizado muestra un significativo ahorro de tiempo de desarrollo en el uso del modelo abstracto para la definición estructural del sistema, pero no es concluyente con respecto a las ventajas de la especificación dinámica de algoritmos de recomendación en comparación a algoritmos ya implementados. Desde otro punto de análisis, los diagramas de comunicación propuestos permiten que el desarrollador tenga mayor control de la definición de los algoritmos a implementar, en comparación a su rol de cliente de algoritmos provistos por bibliotecas de recomendación como Apache Mahout, que oculta los detalles de implementación. Para la explotación de la información de redes sociales, se deben considerar las restricciones de privacidad de cada una y evaluar, de los datos disponibles a través de APIs u otros mecanismos de extracción, cuáles son aquellos que contribuyen al proceso de recomendación de un sistema en particular. Además, se debe considerar la correspondencia entre los ítems evaluados en redes sociales con los ítems propios que el sistema de recomendación maneja, haciendo uso de procedimientos de fusión de datos [29]. Esta propuesta pretende establecer una base para futuras mejoras en el tratamiento de la información de redes sociales para apoyar procesos de recomendación. Como trabajo futuro, se requiere que el proceso de desarrollo propuesto soporte otros enfoques de recomendación. Así, recomendaciones basadas en contenido son actualmente sólo soportadas mediante la definición de descriptores de contenido, siendo responsabilidad del desarrollador el implementar dichas restricciones, y su combinación con el enfoque de filtrado colaborativo de forma manual. Del mismo modo, los trabajos del estado del arte que diferencian la influencia de distintos contactos en redes sociales en las recomendaciones provistas sugieren soportar recomendaciones basadas en confianza [30]. Actualmente, se trabaja en la extensión del modelo abstracto para incorporar características de contexto de preferencias e interacciones en redes sociales, tales como ubicación y tiempo, en el proceso de recomendación. AGRADECIMENTOS Este trabajo fue financiado por la Comisión Nacional de Investigación Científica y Tecnológica, Gobierno de Chile, a través de Proyecto FONDECYT de Iniciación, Cód REFERENCIAS [1] D. O Sullivan, D. Wilson and B. Smyth, Preserving recommender accuracy and diversity in sparse datasets, in Proc. 16 th Int. FLAIRS Conf., Pensacola, FL, 2003, pp [2] A. Popescul, D.M. Pennock and S. Lawrence, Probabilistic models for unified collaborative and content-based recommendation in sparse-data environments, in Proc. 7th Conf. Uncertainty in AI, Seattle, WA, 2001, pp [3] A. I. Schein, A. Popescul, L. H. Ungar and D. M. Pennock, Methods and metrics for cold-start recommendations, in Proc. 25th Annual Int. ACM SIGIR Conf., Tampere, 2002, pp [4] A. S. Silva, S. R. Brito, N. L. Vijaykumar, C. A. J. Rocha, J. C. W. A. Costa and C. R. L. Francês, Social network analysis to monitor interactions in virtual learning environment, IEEE Latin America Trans., vol. 13, no. 10, pp , Oct [5] J. C. Gómez, T. Tommasi, S. Zoghbi and M. F. Moens, What would they say? Predicting user s comments in pinterest, IEEE Latin America Trans., vol. 14, no. 4, pp , Apr [6] G. Adomavicius and D. Jannach, Preface to the special issue on contextaware recommender systems, User Model. User-Adap. Inter., vol. 24, no. 1-2, pp. 1-5, Feb [7] J. Stan, F. Muhlenbach and C. Largeron, Recommender systems using social network analysis: challenges and future trends, Encyclopedia of Social Network Analysis and Mining, Springer, pp , [8] A. Tiroshi, S. Berkovsky, M. A. Kaafar, D. Vallet and T. Kuflik., Graph-based recommendations: make the most out of social data, UMAP 2014, LNCS, vol. 8538, Springer, pp , [9] J. He and W.W. Chu, A social network-based recommender system (SNRS), Data Mining for Social Network Data, Annals of Inform. Sys. Series, Springer, vol. 12, pp , [10] S. Bracha, L. Rokach and S. Freilikhman, Facebook single and cross domain data for recommendation systems, User Model. User-Adap. Inter., vol. 23, no. 2, pp , Apr [11] I. Fernández-Tobías, I. Cantador, M. Kamiskas and F. Ricci, A generic semantic-based framework for cross-domain recommendation, in Proc. 2nd Int. Workshop Inform. Heterogeneity and Fusion in Rec. Sys., Chicago, IL, 2011, pp [12] X. Cai, M. Bain, A. Krzywicki, W. Wobcke, Y. S. Kim, P. Compton and A. Mahidadia, Collaborative filtering for people to people

7 recommendation in social networks, AI 2010: Advances in Artificial Intelligence, LNCS, vol. 6464, Springer, pp , [13] B. Sarwar, G. Karypis, J. Konstan and J. Riedl, Item-based collaborative filtering recommendation algorithms, in Proc. 10th Int. Conf. on WWW, Hong Kong, Hong Kong, 2001, pp [14] M. Vanetti, E. Binaghi, B. Carminati, M. Carullo and E. Ferrari, Content-based filtering in on-line social networks, Privacy and Security Issues in Data Mining and Machine Learning, LNCS, vol. 6549, Springer, pp , [15] M. J. Pazzani and D. Billsus, Content-based recommendation systems, in The Adaptive Web, Springer Berlin Heidelberg, pp , [16] T. Hussein, T. Linder, W. Gaulke and J. Ziegler, Hybreed: A software framework for developing context-aware hybrid recommender systems, User Model. User-Adap. Inter., vol. 24, no. 1, pp , Feb [17] M.D. Ekstrand, M. Ludwig, J. A. Konstan and J. T. Riedl, Rethinking the recommender research ecosystem: reproducibility, openness, and LensKit, Proc. 5th ACM Conf. Rec. Sys., 2011, Chicago, IL, pp [18] Apache Software Foundation, Apache Mahout, [Online], Available: [Accessed: 03-Jun-2016]. [19] S. Ceri, F. Daniel, M. Matera, F. M. Facca, Model-driven development of context-aware Web applications, ACM Trans. Internet Technology (TOIT), vol. 7, no. 1, art. 2, Feb [20] T. Stahl, M. Voelter and K. Czarnecki, Model-driven software development: technology, engineering, management, John Wiley & Sons, [21] B. Selic, The pragmatics of model-driven development, IEEE Softw., vol. 20, no. 5, pp , Sept [22] OMG, MOF model to text transformation language, v1.0, [Online], Available: [Accessed: 03-Jun- 2016]. [23] Eclipse Foundation, Eclipse modeling tools, [Online], Available: r [Accessed: 03-Jun-2016]. [24] Eclipse Foundation, Papyrus, [Online], Available: papyrus/ [Accessed: 03-Jun-2016]. [25] Obeo, Acceleo, [Online], Available: [Accessed: 03-Jun-2016]. [26] G. Rojas, F. Domínguez and S. Salvatori, Recommender systems on the web: a model-driven approach, in Proc. 10th Int. Conf. E-Commerce Web Technologies (EC-Web 2009), Linz, Austria, pp [27] J. McAuley and J. Leskovec. Learning to discover social circles in ego networks, in Proc. 26th Annual Conf. on Neural Inform. Processing Systems (NIPS 2012), Lake Tahoe, NV, pp [28] F. M. Harper and J. A. Konstan, The movielens datasets: history and context, ACM Trans. Interactive Intelligent Sys. (TiiS), vol. 5, no. 4, p. 19, Jan [29] I. Cantador, P. Brusilovsky, and T. Kuflik, Second workshop on information heterogeneity and fusion in recommender systems (HetRec2011), in Proc. 5th ACM Conf. Rec. Sys., 2011, Chicago, IL, pp [30] A. D. R. Oliveira, L. N. Bessa, T. R. Andrade, L. V. L. Filgueiras and J. S. Sichm, Trust-based recommendation for the social web, IEEE Latin America Trans., vol. 10, no. 2, pp , Mar Gonzalo Rojas es Profesor Asistente del Departamento de Ingeniería Informática y Ciencias de la Computación de la Universidad de Concepción, Chile, y Doctor en Ingeniería de Software por la Universidad Politécnica de Valencia, España (2008). Su trabajo se orienta a la aplicación del paradigma de desarrollo dirigido por modelos para la especificación de aplicaciones dependientes de contexto y sistemas de recomendación, además del estudio de la calidad de software en entornos de generación automática de código. Ismael Garrido es Ingeniero Civil Informático de la Universidad de Concepción, Chile (2015). Su trabajo se ha orientado al análisis de redes sociales y su aplicación en sistemas de recomendación para entornos de escritorio y aplicaciones móviles.