Técnicas eficientes para la recomendación de productos basadas en filtrado colaborativo

Abstract

Los sistemas de recomendación ayudan al usuario a seleccionar los productos más adecuados a sus necesidades, lo que explica su indiscutible éxito en dominios como el comercio electrónico. En concreto, la técnica de filtrado colaborativo, basada en las opiniones o preferencias de otros usuarios, es especialmente popular gracias a la calidad que presentan sus recomendaciones, fruto de los avances llevados a cabo en los últimos a~nos. Sin embargo, aspectos como la eficiencia o escalabilidad, entre otros, no han recibido la misma atención y, en consecuencia, suponen una limitación que dificulta su expansión a nuevos dominios y aplicaciones con gran volumen de datos. En esta tesis se abordan diversos problemas que afectan a los algoritmos de filtrado colaborativo, siguiendo una aproximación centrada en el desarrollo de técnicas fáciles de entender, y por tanto de implementar o adaptar a las necesidades concretas de cada entorno. En particular, hemos desarrollado algoritmos sencillos que presentan resultados comparables o incluso superiores a técnicas mucho más complejas. Por un lado, presentamos el algoritmo basado en tendencias, que utiliza un novedoso enfoque consistente en modelar las diferencias entre usuarios en lugar de sus similitudes. Por otro, una variante de los populares algoritmos basados en vecinos, especialmente dise~nada para la recomendación de productos. Estas técnicas, centradas en buscar usuarios con gustos similares, ofrecen muy buenos resultados en multitud de dominios a pesar de su sencillez. En esta tesis veremos como los principales problemas que afectan a su eficacia y rendimiento pueden ser abordados de forma satisfactoria, a partir de soluciones inspiradas en técnicas ampliamente utilizadas en el ámbito de la recuperación de información, tales como la expansión de consultas o la compresión y distribución de índices.