Evaluación de diversas metodologías para recomendación de libros.
Loading...
Date
2019
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
En el presente trabajo de tesis se exploraron diferentes tipos de sistemas recomendadores en el dominio de recomendación de libros con el objetivo de averiguar qué algoritmos son los adecuados para este escenario genérico, qué tipos de datos son los convenientes para usar y de qué forma conviene representar ítems y usuarios para obtener los mejores resultados posibles. Para ello se compararon varias estrategias dentro de las tres principales familias de recomendadores: aquellos basados en contenido, basados en filtrado colaborativo e híbridos. Para entrenar algoritmos de filtrado colaborativo se usaron distintos tipos de fuentes de datos como feedback explícito de parte del usuario en forma de ratings hacia los libros (los que son una muestra directa sobre los gustos del usuario), feedback implícito, e información sobre el contexto de las interacciones usuario-libro, como la fecha del consumo y los autores del libro. Adicionalmente se analizó qué metadatos de los libros son los más relevantes al momento de ver similitudes entre ellos con el fin de entregar buenas recomendaciones. Se encontró en estudios offline y online que los métodos basados en contenido entregan recomendaciones más relevantes y diversas que los métodos colaborativos. Estos últimos por su parte mejoran sus resultados al incluir los nombres de los autores como información contextual. También mejoran cuando se alimentan con feedback implícito en vez de explícito. Este estudio provee nuevos resultados al área en el dominio de libros que pueden ayudar a desarrollar subsecuentes sistemas recomendadores para ser usados en producción y plantea nuevas interrogantes que pueden guiar el camino de futuras investigaciones.
Description
Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2019