IMPLEMENTACIÓN DE UN SISTEMA DE RECOMENDACIONES CON PSO

Abstract

En esta memoria se presenta como problema la paradoja de la elección, fenómeno psicológico en que las personas no pueden tomar una buena elección frente a muchas opciones, y sus implicaciones en el comportamiento de los consumidores frente a las opciones que ofrece el comercio. Es común que los usuarios tengan acceso a muchas alternativas para cualquier producto; mantener la lealtad de los clientes es complejo por la fuerte competencia existente en la actualidad. En vista de estos hechos, se observó la necesidad de crear herramientas y sistemas que ayuden a las personas a obtener la información adecuada para realizar una buena elección. De este modo, se realizó una investigación de los tipos de sistemas de recomendación; en específico, de los sistemas automatizados, reconociéndose tres grandes grupos: Sistemas de Filtrado Colaborativo, Sistemas Basados en Contenido y Minería de Datos Social. Para el desarrollo de esta memoria se eligió el enfoque de Filtrado Colaborativo, el cual sólo requiere los votos que los usuarios le han dado a un conjunto de ítems, siendo estos manejados como arreglos para cada usuario. En esta memoria se propone modificar la función de estimación del voto de (Breese et al. 1998), la cual estima el voto que un usuario le daría a un ítem, considerando tanto la experiencia del propio usuario como la de una vecindad de usuarios similares, la cual se obtuvo con el coeficiente de correlación de Pearson. La modificación propuesta pretende enriquecer la experiencia del usuario, dándole un soporte en caso de no tener suficiente información de la vecindad. Así se agregó la desviación estándar de los votos del usuario al que se le quiere estimar el voto, y se agregaron dos factores que fueron ajustados con un algoritmo de enjambre de partículas. Estos factores multiplican a la desviación estándar y a la experiencia de la vecindad, respectivamente. Las pruebas realizadas contemplaron 3 grupos, para evaluar cómo es el comportamiento del algoritmo frente a diferentes rangos de ítems evaluados. Se realizaron dos tipos de pruebas: la primera, buscaba comprobar la capacidad de generalización del modelo, mientras que la segunda, buscaba comparar el comportamiento de la función original con la propuesta. Los resultados finales fueron parcialmente positivos, mostrando que se logró una mejora frente a la función original, donde las mayores diferencias se observaron en el conjunto donde los usuarios evaluaron más de 300 ítems cada uno. Pero en el caso del grupo con menor cantidad de ítems evaluados, no mostró una diferencia considerable.