Proyecto Fin de Carrera Ingeniería Informática Universidad de Granada. AndalucíaPeople. Un sistema de recomendación para sitios de ocio de Andalucía

Transcripción

1 Proyecto Fin de Carrera Ingeniería Informática Universidad de Granada AndalucíaPeople Un sistema de recomendación para sitios de ocio de Andalucía Autor: Manuel Martín Salvador Tutor: Juan Huete Guadix Curso 2008/2009 1

2 2

3 Índice 1. Introducción Motivación Situación inicial Mejoras planteadas El modelo Introducción a los sistemas de recomendación 8 3. Sistema de recomendación basado en contenido Elementos del sistema de recomendación Esquema de pesos Red Bayesiana Estimación de probabilidades Mecanismo de inferencia Predicción vs Recomendación Problema del cold-starting Un poco más rápido Limitaciones Sistema de filtrado colaborativo Elementos del sistema de recomendación Medidas de similaridad Predicción del voto Problema del cold-starting Evaluación Colección de datos Métricas Metodología Resultados Conclusiones

4 6. Soluciones desarrolladas Aspectos adicionales del desarrollo Entorno de desarrollo Entorno de producción Control de versiones Sistema de tickets Licencia Manual de usuario Conclusión 36 Referencias 37 4

5 1. Introducción 1.1. Motivación El germen de este proyecto surgió en 2006 cuando comenzó a implantarse en Internet la tecnología para usar mapas en cualquier web de la mano de empresas como Google o Yahoo! que ofrecían herramientas para facilitar la creación de mashups. Partiendo de este contexto, comencé junto con un compañero a idear una web donde posicionar sobre un mapa los bares y pubs de Granada. Con este propósito comenzó GranadaPeople, y con el paso del tiempo fue creciendo gracias al apoyo de muchas personas, incorporando nuevas funcionalidades y ampliándose con nuevos locales. Una de las personas que se interesaron por la web fue mi tutor de proyecto, que nos animó a hacer un sistema de recomendación, y viendo las posibilidades que esto tenía, decidí hacerlo como proyecto de fin de carrera Situación inicial Partimos de la web GranadaPeople que fue desarrollada desde cero en PHP y contiene las siguientes características: Una colección de sitios con la siguiente información: nombre, dirección, zona, coordenadas y usuario que lo ha enviado. Un sistema de votación entre 1 y 5 estrellas para que los usuarios puedan valorar los sitios. Cada sitio contiene una serie de etiquetas que ayudan a perfilar mejor el tipo de sitio del que se trata. En base a estas etiquetas se pueden establecer unos sitios por similaridad (un sitio se parece tanto más a otro cuantas más etiquetas tengan en común). Uun sistema de comentarios y de subida de fotografías relacionadas con los sitios. Buscador de sitios por etiquetas y por zonas. Geolocalización sobre un mapa, para colocar con la mayor exactitud la posición de un sitio. Listado de eventos y hoteles en la ciudad, proporcionados por agentes externos. 5

6 Sistema de amigos y de mensajería privada Mejoras planteadas El proyecto se basa en mejorar este sistema y ampliarlo a todas las provincias andaluzas, para conformar la web andaluciapeople.com. Detallamos un listado de las mejoras que se pretenden realizar: Incluir las 8 provincias andaluzas de forma que puedan ser independientes, pero administradas bajo la misma interfaz. Incentivar al usuario para que se implique más en la plataforma, ya sea enviando nuevos sitios, corrigiendo errores, valorando sitios, haciendo comentarios y subiendo fotografías. Un sistema de recomendación de sitios que proporcione una buena experiencia al usuario. Una versión especial para dispositivos móviles que sea ligera y fácil de usar. Posibilidad de cambiar el idioma. Para alcanzar estos objetivos se la sección 2 estudiaremos los distintos tipos de sistemas de recomendación, para de forma más detallada en la sección 3 comentar los sistemas de recomendación basados en contenido y en la sección 4 los sistemas de filtrado colaborativo. Se presentan los resultados experimentales en la sección 5 y para finalizar se enumeran las soluciones desarrolladas junto otros aspectos del desarrollo y un manual de usuario en las secciones 6, 7 y El modelo Con el fin de desarrollar una aplicación web como esta, se han definido una serie de clases que especifican un modelo de red social orientada principalmente a la interacción de los usuarios con el sistema. De esta manera, un usuario será capaz de añadir nuevos sitios de un determinado tipo, descritos por etiquetas categorizadas en una jerarquía, escribir comentarios, subir fotografías y votar cualquier sitio. También podrá establecer lazos de amistad con otros usuarios y decir explícitamente cuáles son aquellas características que más le gustan con vistas a que el sistema pueda hacer mejores recomendaciones de nuevos sitios que aún no conoce. 6

7 User (Usuario): es el elemento más importante de la aplicación, ya que en torno a él van a girar el resto de clases. Sitio: es el segundo elemento más importante. Contiene la información esencial de un sitio: nombre, dirección, coordenadas, teléfono, etc. Tipo: engloba los distintos tipos que pueden definir a un sitio. Etiqueta: cualquier tag que sirva para describir mejor a un sitio. Jerarquía: sirven para definir conjuntos de etiquetas relacionadas. ObjetoEtiquetado: relación entre un sitio y una etiqueta. DatosUsuario: algunos datos personales del usuario, así como su listado de sitios favoritos y las etiquetas que más le gustan. Foto: fotos de un determinado sitio subidas por un usuario. Comentario: comentarios sobre un sitio hechos por un usuario. Voto: valoración de un sitio de un usuario. Amigo: usuarios que establecen una relación de amistad. PesosTipoJerarquía: peso asignado por un usuario a una jerarquía de etiquetas a un determinado tipo de sitio. En la siguiente figura se puede observar el grafo de dependencias entre las clases previamente enumeradas. Figura 1: Grafo del modelo simplificado Además de las clases aquí descritas, se han utilizado algunas más de desarrollo externo como pueden ser las necesarias para el sistema de mensajería privada o el blog. 7

8 2. Introducción a los sistemas de recomendación En la vida diaria, la publicidad masiva nos invade en televisión, prensa, radio o carteles en la calle. Si bien esto sirve a las marcas para afianzar su imagen y captar clientes, su coste puede llegar a ser muy alto respecto a la efectividad que tienen. En cambio, los productos como libros, películas, discos, etc. los compramos bien porque nos gusta el autor o el género, o bien porque nos lo recomienda algún amigo. El término sistema de recomendación surge en los años 90 ligado a proyectos de Inteligencia Artificial en Internet y hoy en día tinen un gran auge con la llamada Web 2.0. Algunos ejemplos de uso son [22]: Recomendaciones en tiendas online: partiendo de un producto se recomiendan otros que han interesado a los usuarios que lo compraron. (Amazon) Filtrado de noticias: se le da más prioridad al tipo de noticias que el usuario consulta frecuentemente. (Google) Recomendaciones musicales, de libros y de películas: generan recomendaciones en base a los gustos del usuario (MyStrands, filmaffinity) Búsqueda de personas afines en comunidades: se puede generar una lista de vecinos con intereses similares en base a las acciones de un usuario (meneame, last.fm). Los sistemas de recomendación se clasifican normalmente en tres categorías [11]: Sistemas de recomendación basados en contenido: almacenan información sobre cada ítem que va a ser recomendado. Esta información se usa para recomendar ítem similares a los que previamente ha valorado el usuario. Los principales problemas que acarrea este tipo de sistema son: Los descriptores que se usan para representar los ítems pueden no resultar muy adecuados. Es difícil hacer recomendaciones precisas a usuarios con pocos votos. 8

9 Poca diversidad, ya que sólo se recomendarán ítems similares a los ya votados. Sistemas de filtrado colaborativo: tratan de identificar grupos de personas con intereses comunes al usuario y recomendar ítems que les gustaron. Los sistemas colaborativos se pueden clasificar en dos grupos [19]: Basados en memoria: utilizan toda la base de datos de elementos y usuarios para generar predicciones. Se emplean técnicas estadísticas para encontrar a los vecinos y se combinan sus preferencias par agenerar una lista con los elementos más recomendables para el usuario actual. Es necesario disponer de un número mínimo de usuarios con suficientes votos, incluído el usuario al que se pretende recomendar. Basados en modelo: desarrollan primero un modelo de los votos del usuario y luego calculan para cada ítem el valor esperado en función de los anteriores. Se utilizan distintos algoritmos de aprendizaje clustering o redes neuronales. Sistemas de recomendación híbridos: intentan combinar los dos enfoques anteriores. Se pueden encontrar diferentes métodos de hibridación: [15, 24, 13, 11] Implementando colaborativo y basado en contenido por separado y combinando sus predicciones. Incorporando algunas características del basado en contenido en el enfoque colaborativo, y viceversa. Construyendo un modelo unificado que incorpore las características de ambos métodos. 3. Sistema de recomendación basado en contenido Cuando se decidió desarrollar el sistema de recomendación, se considereraron una serie de factores que hacen que éste sea considerado adecuado por los usuarios [16]: 9

10 Facilidad de uso: un sistema difícil haría que fuese usado por muchas menos personas. Calidad de las recomendaciones: cuanto mejor sean las recomendaciones, los usuarios sentirán más afinidad por el sistema. Familiaridad de los ítems recomendados: si el usuario obtiene recomendaciones de sitios que conoce (pero que aún no ha votado) sentirá que el sistema funciona correctamente. Transparencia del sistema: se le puede decir al usuario porqué le recomendamos esos sitios, ya que se han obtenido siguiendo una serie de pasos lógicos. Tras leer diversos artículos, se partió del esquema de recomendación basado en redes bayesianas que se explica en el artículo escrito por varios investigadores del departamento CCIA de la Universidad de Granada [15] Elementos del sistema de recomendación Los principales elementos que conforman el sistema recomendación son los ítems (sitios), los descriptores (etiquetas o tags) y los usuarios, que junto con sus votos hacen posible calcular una predicción de voto para un sitio que el usuario a priori no conoce. Estos elementos se pueden representar por las siguientes variables: F k será un nodo que identifica una etiqueta que describe un sitio. Toma un valor binario, 0 si no es relevante, 1 si es relevante. Igualmente, habrá un nodo I j para cada ítem. También toma valores binarios, 0 si no relevante o 1 si es relevante para la predicción que se está haciendo. El conjunto de gustos del perfil del usuario se tratará como un ítem más, cuya valoración será la máxima, ya que el usuario los ha seleccionado explícitamente. Por último se usará un nodo para representar la valoración predicha para el usuario activo y se denota con A CB, donde el subíndice indica que estamos usando el enfoque basado en contenido (content-based). Los posibles valores que puede tomar esta variable son los del conjunto {0, 0.5, 1, 1.5, 2, 2.5, 3, 3.5 4, 4.5, 5}. El valor 0 se incluye para estimar cómo de fiable es el resultado predicho. 10

11 Para conectar estos nodos, consideraremos que la relevancia de un ítem dependerá de la relevancia de los descriptores que lo definen. Luego habrá enlaces entre los nodos descriptores y los nodos ítems. En cambio, no hay enlaces directos entre los nodos descriptores, esto es, las etiquetas son marginalmente independientes entre ellas. Los enlaces F k I j indican que el sitio I j está descrito por la característica F k y su valor indica la importancia de la misma respecto al resto de etiquetas que lo describen. Los enlaces I j A CB indican que el usuario activo ha votado el sitio I j y el voto que le asignó será el valor de este enlace. Diremos que el usuario activo ha votado el sitio I j cuando le haya asignado una valoración del conjunto R={0.5, 1, 1.5, 2, 2.5, 3, 3.5 4, 4.5, 5}. La estimación de probabilidades y su propagación a lo largo de la red se detallan en las secciones 3.4 y Esquema de pesos Cada sitio está identificado por una serie de etiquetas que le asignan significado semántico tales como la música de ambiente o el estilo de comida del restaurante. De esta manera, podemos categorizar las etiquetas en diferentes grupos: 1. Tipos: especifica el tipo de sitio. Un sitio puede tener varios tipos. Ejemplos: bar, restaurante, discoteca, pub, pizzería, heladería Estilo: sirve para especificar un poco mejor las características del sitio. Ejemplos: asador, buffet, chino, italiano, comida rápida, tapas, vegetariano Música: indica el tipo de música que suelen poner en el sitio. Ejemplos: electrónica, flamenco, jazz, latina, pop, rock, salsa Instalaciones: permite escoger entre distintas instalaciones de las que puede disponer el sitio. Ejemplos: billar, dardos, futbolín, karaoke, televisión, terraza, wifi Otros: engloba algunos extras que no pertenece a ninguna de las anteriores categorías. Ejemplos: entrada pagando, no fumadores, no volumen alto... Esta categorización nos va a permitir aumentar o disminuir el peso de los descriptores según el tipo de ítem. Por ejemplo, en el caso de las etiquetas 11

12 pertenecientes a Estilo, tendrán un mayor peso en restaurantes, y en las de Música, en pubs, salas o discotecas. Se han definido por defecto unos pesos, pero que pueden ser ajustados por los usuarios siempre que lo deseen. Usuario Tipo Jerarquía Peso Estilo 0.5 Restaurante Música Instalaciones 0.25 Manuel Otros Estilo 0.3 Pub Música 0.4 Instalaciones 0.2 Otros 0.1 Cuadro 1: Ejemplo de matriz de pesos para el usuario Manuel 3.3. Red Bayesiana Usando redes bayesianas vamos a poder ver las relaciones entre los distintos elementos del sistema de recomendación y apreciar visualmente la propagación de probabilidades. En la Figura 2 se muestra una primera aproximación de lo que sería la red bayesiana que podemos utilizar para predecir la puntuación de un sitio en base a aquellos sitios que el usuario ha valorado. El principal inconveniente que presenta es que trata a todas las etiquetas por igual y además hay que instanciar todos los ítems que el usuario ha votado junto con sus etiquetas. Por ejemplo, digamos que el usuario ha votado 50 sitios, de los cuales 30 son pubs y 20 son restaurantes. Si el usuario sólo quiere saber la predicción para un determinado restaurante que no conoce, esta primera aproximación lo que hará es instanciar los 50 sitios votados junto con sus etiquetas. Si cada sitio tuviese 3 etiquetas, habría que instanciar 150 etiquetas en total. Es muy posible que muchas de ellas no aporten utilidad para el sitio que estamos prediciendo, ya que como la mayoría de los sitios votados son pubs, estas etiquetas pueden estar relacionadas con el tipo de música de estos sitios, mientras que en un restaurante posiblemente la música no tenga nada de relevancia, al contrario que el estilo de comidas que se sirvan. 12

13 Figura 2: Primera aproximación Hemos tratado de resolver los problemas planteados anteriormente siguiendo el esquema de la Figura 3. Sólo se instancian aquellos sitios que son del mismo tipo que el que va a ser predicho. Además, introducimos una nueva capa para categorizar las etiquetas. Con esta nueva estructura el objetivo que conseguimos es doble: mejorar la calidad de la predicción y hacerlo más eficientemente. Si aplicamos a este caso el ejemplo comentado anteriormente, de los 50 sitios votados por el usuario, sólo instanciamos los 20 que son restaurantes, que serían unas 60 etiquetas, con lo cual nos estamos ahorrando más de la mitad. Ahora, al introducir la nueva capa de jerarquías, se le va a dar un mayor peso a las etiquetas que describen el estilo del restaurante que al resto a la hora de hacer la predicción. Esto sería el comportamiento predeterminado, pero será finalmente el usuario será el que decida qué importancia quiere darle a cada jerarquía para cada tipo de sitio. Se puede ver un ejemplo más detallado en la sección

14 Figura 3: Solución adoptada 3.4. Estimación de probabilidades Comenzando por los nodos descriptores (F ), no tienen padres y sólo es necesario calcular la distribución de probabilidad a priori de su relevancia. En el proyecto hemos supuesto que todas las etiquetas son equiprobables: Pr(f k,1 )=1/l Siendo l el tamaño del conjunto F. Los nodos jerarquías (C) se encargan de dar un peso determinado al valor de la probabilidad de los descriptores, tal como se ha comentado en la sección Esquema de pesos. Se tiene que cumplir que la suma de los pesos de las jerarquías para un ítem sea 1. w(i j,1,c u )=1 c u C Con respecto a los nodos ítems (I), los únicos pesos necesarios para calcular la probabilidad Pr(i j,1 pa(i j )) son: 14

15 w(f k,1,i j,1 )= P log((m/n k )+1) F k Pa(Ij ) log((m/n k )+1) Siendo n k el número de veces que la etiqueta F k se usa para describir un ítem y m el número de ítems. w(f k,0,i j,1 ) = 0 Para los nodos basados en contenido (A CB ), hay que considerar la influencia de un ítem en el rango de valoraciones del usuario activo. Cuando el usuario A vota un elemento I k con el valor s, la probabilidad de este ítem irá al voto s. Los pesos necesarios son: w(i k,1,a cb,s ) = 1/I(A) Siendo I(A) el número de ítems votados por el usuario A w(i k,1,a cb,t ) = 0 para t s, 0 t #r w(i k,0,a cb,0 ) = 1/I(A) w(i k,0,a cb,t ) = 0 para 1 t #r 3.5. Mecanismo de inferencia El objetivo del proceso de inferencia es estimar el voto para el usuario activo A dado un sitio (evidence), es decir, Pr(A = s ev). Para calcular esta probabilidad, debemos instanciar el sitio y propagar a través de los distintos nodos. Esta propagación implica un proceso de marginalización que requiere un tiempo exponencial. Sin embargo, teniendo en cuenta que en una red bayesiana un nodo es independendiente de sus antecesores dado que estos valores se toman de sus padres, y usando las ventajas que ofrece el modelo canónico usado para expresar las distribuciones de probabilidad condicinoal, la distribución de probabilidad a posteriori se puede calcular eficientemente como un mecanismo de inferencia de arriba a abajo (top-down). El siguiente teorema explica cómo calcular exactamente esta probabilidad: Teorema 1 : sea X a un nodo en una red bayesiana, m Xa el número de padres de X a, Y j un nodo en Pa(X a ) y l Yj el número de estados que puede tomar Y j. Se puede calcular la probabilidad a posteriori usando la siguiente fórmula: Pr(x a,s ev) = m Xa l Yj w(y j,k,x a,s ) Pr(y j,k ev) j=1 k=1 Por medio de este teorema se expresa que el nodo X a recoge la probabilidad de sus predecesores y no necesita distribuirla de nuevo. Esto es importante porque implica que se puede realizar la propagación en tiempo lineal respecto al número de padres [14]. 15

16 Centrándonos en la componente basada en contenido, el sitio a predecir está compuesto de un conjunto de descriptores y por el ítem en sí mismo. En el primer caso la propagación se realiza como se explica en el teorema anterior. Mientras que en el segundo caso, la probabilidad Pr(F k i j,1 ) se calcula para cada nodo F k conectado al ítem I j. Estas probabilidades se pueden calcular por medio del siguiente teorema. Teorema 2 : sea F k un nodo descriptor de la jerarquía C u perteneciente al ítem I j en una red bayesiana. La probabilidad a posteriori de su relevancia se puede calcular como: { w(ij,1,c u ) Pr(f k,1 ) si F k / Pa(I j ) Pr(f k,1 i j,1 )= ( w(i j,1,c u ) siendo Pr(i j,1 )= w(f k,1,i j,1 ) Pr(f k,1 ) F k Pa(I j ) Pr(f k,1 )+ w(f k,1,i j,1 ) Pr(f k,1 ) (1 Pr(f k,1 )) Pr(i j,1 ) ) si F k Pa(I j ) Predicción del voto Una vez que se han calculado las probabilidades a posteriori, hay que elegir el voto que se va a dar como predicción. Antes de obtener la predicción hay que normalizar las probabilidades al dominio de R, para ello hacemos: Pr(A = s ev) = Pr(A=s ev) s R 1 Pr(A=0 ev) Existen tres alternativas de elección: El voto promedio: predicción = s Pr(A = s evidence) s R El voto mediano: predicción = {s P r(a < s evidence) 0,5, P r(a > s evidence) 0,5} El voto máximo: predicción = {s P r(a = s evidence) > P r(a s evidence)} Para una mejor comprensión se puede ilustrar con este ejemplo que muestra los valores de la variable A CB : Valoración Probabilidad Voto mediano = 3.5 Voto promedio = Voto máximo =

17 Algoritmo 1. Se instancia el ítem a predecir Pr(i j,1 )=1y calculan las probabilidades de sus descriptores. A continuación se propagan las probabilidades usando el teorema 2 explicado en esta sección. 2. Se instancian sólo aquellos sitios del mismo tipo que el evidence y se propagan las probabilidades usando el teorema 1 que hemos visto anteriormente. 3. Se selecciona un voto usando uno de los esquemas de predicción nombrados anteriormente. En este proyecto se ha escogido el voto promedio porque es el que mejores resultados ha dado (ver sección de Evaluación). Ejemplo teórico de predicción Figura 4: Ejemplo ilustrativo 17

18 En el ejemplo de la Figura 4 se puede ver resaltado en amarillo las etiquetas del sitio que va a ser predicho. Vamos a ir por capas obteniendo la probabilidad para cada nodo. Instanciamos el ítem a predecir. Pr( Kirin 1) = 1 Calculamos las probabilidades de los descriptores del ítem instanciado. Pr( Japonés 1 Kirin 1)=w( Restaurante, Estilo ) ( ) Pr( Japonés 1)+ w( Japonés 1, Kirin 1) Pr( Japonés 1) (1 Pr( Japonés 1)) = Pr( Kirin 1) 0,5 (0,5+0,386 0,5 0,5) = 0,298 Pr( Servicio a domicilio 1 Kirin 1 )=w( Restaurante, Otros ) Pr( Servicio a domicilio 1 )+ w( Servicio a domicilio 1, Kirin 1 ) Pr( Servicio a domicilio 1 ) (1 Pr( Servicio a domicilio 1 )) Pr( Kirin 1 ) 0,125 (0,5 +0,614 0,5 0,5) = 0,327! = Instanciamos los descriptores de los ítems relevantes. Pr(f k,1, Y amato 1) = 1 Calculamos la probabilidad de los ítems relevantes para el ítem a predecir. Pr( Y amato 1 Kirin 1)= w( Japonés 1, Y amato 1) Pr( Japonés 1 Kirin 1)+ w( Japonés 0, Y amato 1) Pr( Japonés 0 Kirin 1)+ w( Servicio a domicilio 1, Y amato 1) Pr( Servicio a domicilio 1 Kirin 1)+ w( Servicio a domicilio 0, Y amato 1) Pr( Servicio a domicilio 0 Kirin 1)= 0,386 0, , 614 0,327 = 0,316 18

19 Pr( W ok buffet libre 1 Kirin 1)= w( Japonés 1, W ok buffet libre 1) Pr( Japonés 1 Kirin 1)+ w( Japonés 0, W ok buffet libre 1) Pr( Japonés 0 Kirin 1)= 0,386 0,298 = 0,115 Pr( P erfil usuario 1 Kirin 1)= w( Japonés 1, P erfil usuario 1) Pr( Japonés 1 Kirin 1)+ w( Japonés 0, P erfil usuario 1) Pr( Japonés 0 Kirin 1)= 0,177 0,298 = 0,053 Obtenemos la probablidad para cada uno de los votos. Pr(A =5 Kirin )=Pr( P erfil usuario 1 Kirin 1)+Pr( Y amato 1 Kirin 1)= 0, ,316 = 0,369 Pr(A =4 Kirin )=Pr( W ok buffet libre 1 Kirin 1) = 0,115 Pr(A =0 Kirin )=1 Pr(A = s Kirin )=0,516 s R Ahora normalizamos aquellas posiciones que son relativas a una valoración (es decir, las distintas a 0). [15] Pr(A =4 Kirin )= Pr(A=4 Kirin ) 1 Pr(A=0 Kirin ) =0,2376 Pr(A =5 Kirin )= Pr(A=5 Kirin ) 1 Pr(A=0 Kirin ) =0,7624 Finalmente obtenemos como predicción el voto promedio. predicción = s Pr(A = s Kirin ) = 4,76 s R La fiabilidad de esta predicción la podemos calcular como: fiabilidad = (1 Pr(A =0 Kirin )) 100 = 48, 4% 19

20 3.6. Predicción vs Recomendación No es lo mismo recomendar que predecir [18]. Predecir es simplemente estimar el valor del voto que un usuario daría a un determinado ítem según el conocimiento que el sistema tenga formado sobre el usuario gracias a votaciones previas que haya realizado. Por otra parte, recomendar involucra calcular predicciones para un conjunto de ítems y mostrar aquellos resultados más afines para el usuario. El usuario no quiere que le recomendemos sitios que no le gusten (predicción baja), sino aquellos que puede que le vayan a gustar (predicción media-alta) Problema del cold-starting Para que el sistema de recomendación funcione correctamente es necesario que el usuario haya votado varios sitios, así como haber ajustado su perfil de gustos. El problema del cold-starting [18, 12](o inicio frío) viene a plantear que esta situación ideal no siempre se da, ya que habrá usuarios nuevos que quieran recomendaciones sin haber valorado suficientes ítems. Se pueden abordar diferentes medios de actuación ante esta situación: Pasar de él: le decimos que no hay resultados y que es necesario votar más sitios para obtener recomendaciones. Tratarlo como el usuario medio: se trazaría un usuario medio conforme al resto de usuarios y se le recomendarían ítems. El problema es que el usuario medio no existe. Popularidad: mostrar aquellos ítems más populares en la categoría que se esté indicando. Es la solución que hemos adoptado Un poco más rápido Para mejorar la velocidad del sistema es posible cachear algunos resultados que son menos proclives a cambiar como pueden ser: Etiquetas de un sitio: los descriptores con los que se incorpora un nuevo sitio suelen variar poco o nada. Probabilidad de un sitio para un usuario: esta probabilidad sólo cambiará si el usuario vota nuevos sitios con el mismo tipo. 20

21 Probabilidad de un sitio para el evidence: esta probabilidad sólo variará si se cambian las etiquetas de alguno de los dos sitios. Por ejemplo, una consulta sobre recomendación de restaurantes en Granada pasa de tardar 4.51 segundos a 2.89 segundos tras habilitar el sistema de caché Limitaciones En el sistema de recomendación basado en contenido se usa información estructurada, en nuestro caso los tipos y etiquetas. Sin embargo, no se tienen en cuenta las valoraciones de otros usuarios a la hora de recomendar sitios, por lo que se podría dar la situación de que estemos recomendando un sitio que, si bien está acorde con el perfil del usuario, está muy mal valorado por otros usuarios. Se aconseja pues, usar un método híbrido que tenga en cuenta tanto aspectos cuantitativos como cualitativos [23]. Una preocupación de los usuarios ha sido que el sistema les ha recomendado sitios de estilo gay cuando ellos no han votado ninguno de ese estilo, esto puede ocurrir porque estos sitios tengan otras etiquetas en común, como pueden ser la música o las instalaciones. Para tratar esta etiqueta en especial, lo que haremos será evitar estos resultados si el usuario no ha seleccionado entre sus gustos este determinado estilo. 4. Sistema de filtrado colaborativo Los sistemas de fitrado colaborativo intentan identificar grupos de personas que tienen gustos similares, de manera que un usuario pertenecerá un cierto grupo dependiendo de los sitios que haya votado. Así pues, se puede definir el concepto de vecinos como aquellos usuarios que más gustos en común tienen con el usuario activo. Los ítems a recomendar serán aquellos mejor valorados por este conjunto de vecinos, o bien aquellos que más se asemejen al conjunto de etiquetas que definan a este grupo de usuarios Elementos del sistema de recomendación En el caso del filtrado colaborativo se necesitan los siguientes elementos: 21

22 U i representa a un usuario. I j representa a un ítem. Diremos que el usuario U i habrá votado el sitio I j cuando le haya asignado una valoración del conjunto R={0.5, 1, 1.5, 2, 2.5, 3, 3.5 4, 4.5, 5} Medidas de similaridad Para calcular la similaridad entre usuarios se pueden usar distintas métricas [12], entre las cuales hemos escogido las tres siguientes para una posterior evaluación: Coseno: sim(u x,u y )= m P r ux,ih r uy,ih h=1 s s m P rux,i 2 m P h h=1 h=1r 2 uy,i h donde r u,i es la valoración del ítem i por el usuario u y n es el número de ítems en común entre ambos usuarios. Correlación de Pearson: sim(u x,u y )= m P (r ux,ih r ux ) (r uy,ih r uy ) h=1 s s m P (r ux,ih r ux ) 2 m P (r uy,ih r uy ) 2 h=1 h=1 donde r u,i es la valoración del ítem i por el usuario u, r u es la media de valoraciones del usuario u para todos sus votos en común y n es el número de ítems en común entre ambos usuarios. Correlación de Pearson limitada (Constrained Pearson s Correlation): sim(u x,u y )= m P (r ux,ih r med ) (r uy,ih r med ) h=1 s s m P (r ux,ih r med ) 2 m P (r uy,ih r med ) 2 h=1 h=1 donde r u,i es la valoración del ítem i por el usuario u, r med es el valor medio en la escala de valoraciones R (en nuestro caso 2.5) y n es el número de ítems en común entre ambos usuarios Predicción del voto Una vez escogida una medida de similaridad y teniendo los vecinos del usuario activo, pasamos a predecir el voto sobre un determinado ítem [12, 15]: 22

23 predicción = r ua + m P sim(u a,u h ) (r uh,ia ru h ) h=1 m P sim(u a,u h ) h=1 donde m es el número de usuarios que han votado el ítem i a, u a es el usuario activo, u h un usuario que ha votado el ítem y r es la media de los votos en común para un determinado usuario Problema del cold-starting Este tipo de sistema también presenta el problema del cold-starting comentado anteriormente. Qué conjunto de vecinos tendrá un usuario nuevo? No lo sabremos hasta que empiece a valorar sitios y defina su perfil de usuario. Además presenta un nuevo agravante con ítems nuevos. Si nadie lo ha votado, cómo darlo a conocer? En el caso del sistema basado en contenido no habría problema, ya que lo que prima son los descriptores del ítem. Si éstos son relevantes para el usuario, el sitio le será recomendado. Por lo que sería más adecuado usar un método híbrido para resolver este problema.[11] El mayor inconveniente de los sistemas colaborativos se da cuando se crea una nueva comunidad [18]. El sistema no funcionará bien debido a los pocos votos que hay. La solución más habitual es incentivar a un grupo de usuarios para que voten nuevos sitios antes de lanzarlo al público. Otra solución sería dar inicialmente recomendaciones usando un enfoque basado en contenido, que es lo que se está haciendo actualmente en el proyecto. 5. Evaluación Para intentar evaluar cuantitativamente el sistema de recomendación se han realizado una serie de mediciones Colección de datos Si bien el escenario de las pruebas no es el más favorable, ya que la web está aún comenzando a funcionar, nos podremos hacer una idea de cómo funciona el sistema. Estadísticas Usuarios registrados: