Comentarios sobre Recommender systems: from algorithms to user experience

Este paper toca los temas relacionados con la experiencia del usuario y su percepción sobre el sistema recomendador. En este sentido, es un enfoque más aterrizado en su uso final y en su repercución en negocio del que implementa el sistema.

Evaluaciones

De partida es difícil evaluar cómo los usuarios presienten una pieza de software. En primer lugar, en ellos existen varios sezgos personales y cuesta ser objetivos. En segundo lugar, es costo realizar mediciones y estudios, pues no es algo que se pueda programar y ejecutar cuantas veces se quiera, sino que requiere traer personas de verdad.

Algo que se usa hoy en día en entornos de producción es A/B Testing. Esto es, a grupos de usuarios se les presenta distintas versiones de un software (sin que ellos sepan) y se realizan mediciones y análisis.

https://es.wikipedia.org/wiki/Test_A/B

Tags descontroladas

Algo anecdótico del paper, es que toca el problema que ocurre cuando se le deja al usuario crear tags. Ejemplo:

Todas se refieren a lo mismo, pero es difícil identificar y corregir estos casos sin tener que leer manualmente el dataset. En el proyecto de Minería de Datos de hace un año, con mi compañero tuvimos este mismo problema pero con las tags de canciones en last.fm.

Recommendaciones grupales

Destacaré la frase citada de Masthoff y Gatt (2006):

” Is it better to make sure that one person is as happy as possible? Or to make sure that no person is too unhappy?“.

Esto pues sirve puede servir para mi proyecto final del ramo.

RDF

Finalmente, se habla de explotar el contenido proporcionado por el usuario, por ejemplo los datos disponibles en tripadvisor.com y de combinarlos con más sitios.

En este sentido los trabajos que se están haciendo en la web semántica con el fin de estandarizar las relaciones entre recursos (https://www.w3.org/RDF/) podría significar un gran avance en el área de los sistemas recomendadores. Pues podrían relacionarse datasets distintos y con esto utilizar contexto, relaciones entre items, relaciones entre usuarios, opiniones sociales, temporalidad y más para generar recomendaciones.

comments powered by Disqus