Andrea paola barraza urbina pontificia universidad javeriana facultad de ingenieria



Descargar 81.71 Kb.
Fecha de conversión04.03.2017
Tamaño81.71 Kb.

DESIGN OF A GENERIC MULTIDIMENSIONAL SYSTEM THAT PROVIDES PERSONALIZED RECOMMENDATION SERVICES

CIS1010IS01

ANDREA PAOLA BARRAZA URBINA

PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERIA

CARRERA DE INGENIERIA DE SISTEMAS

BOGOTÁ, D.C.

2011


DISEÑO DE UN SISTEMA DE SERVICIOS PERSONALIZADOS PARA RECOMENDAR PRODUCTOS/SERVICIOS DE MANERA GENÉRICA Y MULTIDIMENSIONAL

CIS1010IS01

ANDREA PAOLA BARRAZA URBINA

PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERIA

CARRERA DE INGENIERIA DE SISTEMAS

BOGOTÁ, D.C.

2011


DISEÑO DE UN SISTEMA DE SERVICIOS PERSONALIZADOS PARA RECOMENDAR PRODUCTOS/SERVICIOS DE MANERA GENÉRICA Y MULTIDIMENSIONAL

CIS1010IS01

Autor

ANDREA PAOLA BARRAZA URBINA

MEMORIA DEL TRABAJO DE GRADO REALIZADO PARA CUMPLIR UNO DE LOS REQUISITOS PARA OPTAR AL TITULO DE INGENIERO DE SISTEMAS

Director

Ingeniera Ángela Carrillo Ramos, PhD



Jurados del Trabajo de Grado

Ingeniero Enrique González, PhD

Ingeniero Demetrio Ovalle, PhD

Página web del Trabajo de Grado

http://pegasus.javeriana.edu.co/~CIS1010IS01

PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERIA

CARRERA DE INGENIERIA DE SISTEMAS

BOGOTÁ, D.C.

2011

PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERIA

CARRERA DE INGENIERIA DE SISTEMAS

Rector Magnífico

Joaquín Emilio Sánchez García S.J.


Decano Académico Facultad de Ingeniería

Ingeniero Francisco Javier Rebolledo Muñoz


Decano del Medio Universitario Facultad de Ingeniería

Padre Sergio Bernal Restrepo S.J.


Director de la Carrera de Ingeniería de Sistemas

Ingeniero Luis Carlos Díaz Chaparro


Director Departamento de Ingeniería de Sistemas

Ingeniero César Julio Bustacara Medina

Artículo 23 de la Resolución No. 1 de Junio de 1946

“La Universidad no se hace responsable de los conceptos emitidos por sus alumnos en sus proyectos de grado. Sólo velará porque no se publique nada contrario al dogma y la moral católica y porque no contengan ataques o polémicas puramente personales. Antes bien, que se vean en ellos el anhelo de buscar la verdad y la Justicia”

AGRADECIMIENTOS

Quisiera agradecer a todas las personas que me ayudaron de una manera u otra en estos últimos meses, quienes creyeron en mí y me ofrecieron su apoyo incondicional.

En primer lugar quisiera agradecer muy especialmente a mis padres, Félix y Martha, quienes en cada paso de mi vida me han apoyado y me han inspirado para alcanzar todas las metas que me he propuesto.

Mis agradecimientos especiales van hacia Ángela Carrillo, mi directora y mamá gallina; quien me guió y ayudó a organizar cada una de mis locas y complicadas ideas. ¡Nada mas imagínate el desorden que este proyecto hubiese sido sin tu ayuda!

A mis hermanos de la universidad, Luisa y Saúl: ha sido un placer y un privilegio compartir los primeros pasos de esta carrera con ustedes. Yo sé que a veces puedo ser insoportable si no duermo lo suficiente, pero espero poder compartir con ustedes muchas otras aventuras en el futuro. Gracias por sus críticas y opiniones invaluables.

A mi gran amiga Alejandra Cuello, quien fue la encargada de los diseños del prototipo de ZoundBeat y de la página web del proyecto. Diste todo de ti y siempre estaré agradecida contigo. ¡No olvides que hay otros trabajos por venir!

A mi hermana de corazón, Gretel, quien a pesar de no entender del todo lo que está relacionado con la Ingeniería de Sistemas, encontraste la manera de apoyarme y ayudarme. Gracias por siempre estar ahí cuando te necesito y por conectarte a las cuatro de la madrugada para escuchar mis quejas.

Infinitas gracias a todos, aprendí bastante de ustedes.

También quisiera agradecer a mi perro Scooby, simplemente por decidir continuar viviendo; y a mi prima Carolina por incentivarme y puesto que si no la incluyo, mi vida corre peligro.

Por último, quisiera dedicar este proyecto a mi hermano menor Camilo. ¡Trabajé bastante duro en este proyecto, así que esta vez te va a tocar trabajar aún más duro para poder crear algo mejor! Estoy segura que así será, porque siempre lo has hecho, y espero con ansias ver lo que puedes y vas a lograr.




TABLA DE CONTENIDO
Pág.

RESUMEN

Los Sistemas de Recomendación han surgido para apoyar, aumentar y automatizar el proceso natural y diario de compartir recomendaciones al desarrollar herramientas que puedan ser utilizadas para identificar fácilmente “cosas que valen la pena” [Kons08], y de esta manera reducir un espacio de alternativas [Ansa99][Terv01][Resn97]. El área de Sistemas de Recomendación se ha trabajado ampliamente y es fuertemente interdisciplinar, sin embargo es muy joven, y se requiere de más investigación para construir mejores soluciones de recomendación. En primer lugar, este proyecto propone una lista de decisiones clave que aplican a cualquier tipo de Sistema de Recomendación que considera criterios de adaptación/personalización. Basados en esta lista, se diseño el General Vizier Model para dar soporte a desarrolladores en la construcción de cualquier tipo de solución Multidimensional y Genérica de recomendación. Finalmente, basándose en contribuciones previas, se propone el Multi-Agent Vizier Recommendation Framework (Vizier). Por un lado, para beneficiar aquellas entidades que actualmente desarrollan sistemas orientados a servicios y desean agregar servicios de recomendación (e.g., aplicaciones e-commerce). Por otro lado, con el fin de ofrecer una solución que idealmente proporcione mejores resultados adaptados/personalizados que soluciones actuales al considerar la multidimensionalidad de los usuarios, productos y el contexto. Para validar Vizier, el prototipo inicial de Vizier y el prototipo inicial de ZoundBeat fueron implementados.



RESUMEN EJECUTIVO

A partir del surgimiento de las tecnologías de información y de comunicación, nace la necesidad de crear nuevas técnicas para la recuperación eficiente de datos que puedan resolver las limitaciones severas que la mayoría de métodos actuales imponen en el momento de satisfacer las diversas necesidades de información de sus usuarios. Un tipo especial de servicio que provee información adaptada/personalizada son aquellos provistos por los Sistemas de Recomendación. Al sugerir productos/servicios ajustados a las características particulares del usuario, sus preferencias y a su contexto; los Sistemas de Recomendación ofrecen información adaptada/personalizada de manera dpull (iniciado por el usuario) o push (iniciado por el sistema) para ofrecer soporte en el proceso de toma de decisiones de un usuario al verse enfrentado a una gran cantidad de información y un espacio amplio de alternativas. No obstante, los algoritmos de aprendizaje y de predicción que utilizan los Sistemas de Recomendación tienden a encontrarse estrictamente relacionados con el servicio por el cual fueron diseñados y no son genéricos. Además, la mayoría de Sistemas de Recomendación actuales operan en un espacio de dos dimensiones (incluyen información solo del usuario y de los productos ofrecidos) y no se adaptan al contexto del usuario. Por medio del proyecto que aquí se propone se busca desarrollar un mecanismo bajo una aproximación genérica, que le ofrezca servicios a diversas aplicaciones orientadas a servicios para que éstas puedan recomendar productos tomando en cuenta diversas dimensiones de adaptación (e.g., la dimensión usuario, contexto, entre otros). Dada la aproximación genérica del proyecto, de sus resultados podrán beneficiarse aquellas entidades que desean ofrecerles a sus usuarios servicios de recomendación (e.g., aplicaciones de e-commerce).

El mecanismo creado es el Multi-Agent Vizier Recommendation Framework (Vizier). Vizier es un framework genérico basado en agentes que considera información contextual para ofrecerle a diversos Consumer Applications servicios de recomendación con el fin de que éstos puedan proveerles servicios de recomendación a sus usuarios. Antes de crear Vizier, una lista de decisiones clave que deben ser tomadas para construir cualquier tipo de solución de recomendación que considere criterios de adaptación y personalización, fue creada. Dada esta lista, componentes que todo Sistemas de Recomendación debe tener, y componentes agregados que todo Sistema de Recomendación Genérico y Multidimensional debe tener, fueron identificados y organizados dentro del General Vizier Model. De esta manera, guiados por la lista de decisiones clave cualquier desarrollador puede crear su propio diseño de un Sistema de Recomendación. De forma similar, cualquier desarrollador que desee construir un Sistema de Recomendación Multidimensional y Genérico puede utilizar tanto la lista de decisiones clave como el General Vizier Model como fundamento para su propio trabajo. Tomando en cuenta esta base, Vizier fue diseñado apoyándose en ambos la lista como el General Vizier Model.

Después crear el diseño inicial de Vizier, un prototipo inicial fue implementado con la intención de validar el framework. Este prototipo se encuentra limitado a ofrecer un servicio de recomendación, para una categoría (música), para un Consumer Application que tiene un usuario. Para llevar a cabo las pruebas adecuadas al prototipo, se necesita de al menos un Consumer Application que solicite al menos un servicios a Vizier. ZoundBeat es un reproductor de música creado específicamente para servir como un punto de partida para la construcción de Vizier. Al compartir información del contexto con Vizier, ZoundBeat y Vizier colaboran para ofrecerles a usuarios recomendaciones de listas de reproducción. Sin embargo, dado el alcance del proyecto y sus limitaciones, las pruebas adecuadas no pudieron ser llevadas a cabo al framework y éste tendrá que ser validado en trabajos futuros.




INTRODUCCIÓN


Hoy en día, junto con la creciente era del Internet y el surgimiento de las tecnologías de la comunicación, cualquier individuo puede tener acceso a grandes cantidades de información a través de casi cualquier dispositivo (e.g., un computador personal, un teléfono móvil, refrigerador, entre los muchos otros dispositivos inteligentes que existen actualmente) virtualmente desde cualquier lugar del mundo. Avances tecnológicos han roto los límites del espacio y el tiempo revolucionando nuestra forma de vida, permitiéndoles a las personas comunicar y compartir cualquier tipo de información (como lo son artículos científicos, videos chistosos, fotos, canciones, entre muchos otros productos) sin esfuerzo alguno y casi a ningún costo. Sea como fuere, "la explosión de información no ha sido acompañada por un salto en la evolución humana1” [Terv01] y a medida que la información crece constantemente, se ha vuelto mucho más difícil proporcionarle a cada usuario medios eficientes y efectivos para acceder a datos útiles que él/ella realmente necesita. Por otra parte, una carga excesiva de información puede influir de manera negativa en el desempeño de un individuo, afectando la calidad y precisión de muchos procesos de decisión [Eppl04][Schw03]. Ha quedado claro que la creación y distribución de información ha superado la capacidad humana para procesar y digerir dicha información [Shen97][Schw03]. De esta manera el filósofo Philip Novak explica: "Decenas de miles de palabras pulsan diariamente a través de nuestro cerebro atormentado, acompañadas de una enorme cantidad de otros estímulos auditivos y visuales. No es de extrañar que nos sintamos quemados." [Shen97].

La Sobrecarga Cognitiva (o sobrecarga sensorial, sobrecarga de comunicación, sobrecarga de conocimiento, o síndrome de fatiga de información) es el término asociado con la sensación de tensión cuando la cantidad de carga de información (tomando en cuenta la cantidad y características de la información) va más allá de la capacidad de procesamiento eficiente de un individuo, dado un determinado período de tiempo [Eppl04]. La Sobrecarga Cognitiva puede ser experimentada durante una variedad de situaciones tales como durante las compras en un supermercado, consultoría de negocios, reuniones, viendo televisión, entre muchas otras actividades diarias. En adición, la Sobrecarga Cognitiva puede provocar sentimientos de confusión, tensión, ansiedad, pánico, baja motivación e incluso depresión clínica [Shen97][Eppl04][Schw03][Himm07]. No cabe duda de que la información confiere poder (“Knowledge is Power” – Sir Francis Bacon) y que la disponibilidad de la información ha mejorado nuestra calidad de vida. Sin embargo, la percepción de que entre más información y más opciones se tengan es mejor, no toma en cuenta las limitaciones cognitivas humanas [Schw03][Bott06]. La libertad de acceso y de expresión tiene una serie de ventajas. Sin embargo en un mundo sin restricciones sobre la información publicada, para acceder a todos los datos disponibles correspondientes a un sólo tema, un individuo debe asumir una serie de tareas que consumen una gran cantidad de tiempo, como por ejemplo: la evaluación de la pertinencia de la información a la mano, su calidad y fiabilidad, y esto sin mencionar las tareas de selección, clasificación e interpretación de todos los datos [Anan03]. Así, surge una pregunta: ¿Existe tal cosa como demasiada información?



Los requerimientos de la sociedad con respecto a la información han cambiado; actualmente hay una demanda creciente y constante de obtener información inmediata en grandes volúmenes. Así como la demanda de información ha aumentado, también lo ha hecho la oferta. Sin embargo, los mecanismos desarrollados que ayudan a conectar la demanda y la oferta se han quedado cortos y técnicas para la recuperación de información, así como sistemas de apoyo eficientes deben ser creados. No hay tal cosa como demasiada información; sin embargo sistemas adecuados deben ser construidos para apoyar a los usuarios en los procesos de recuperación de información, análisis, interpretación y toma de decisiones, y así aliviar el síndrome de Sobrecarga Cognitiva [Himm07]. Ofrecer soluciones ha sido un gran desafío para la comunidad científica, y un gran número de investigaciones han sido llevadas a cabo durante la última década, entre ellas investigaciones que se han enfocado en el problema de la Sobrecarga Cognitiva. De cualquier modo, todavía existen muchas áreas que requieren una gran cantidad de trabajo y mejoras (por ejemplo, los motores de búsqueda para la web [Alba05][Barr10])). Una posible respuesta se puede encontrar en la creación de servicios que ofrezcan atención personalizada, ajustándose a las necesidades del usuario, a sus preferencias, tomando en cuenta su contexto. Estos servicios pueden ser provistos a través de tecnologías de adaptación/personalización, las cuales han sido empleadas en diversos campos para apoyar a usuarios en tareas como el filtrado, clasificación y ordenación de resultados obtenidos a través de un proceso de búsqueda [Alba05]. Sin embargo, los servicios de adaptación/personalización se emplean por lo general para mejorar los resultados ofrecidos por un sistema de recuperación de información, en el cual el usuario debe describir con precisión sus necesidades de información y enviar explícitamente una búsqueda para obtener resultados. No obstante, un usuario tiende a tener una idea poco clara de lo que quiere o es incapaz de construir una consulta de búsqueda apropiada. En estos casos, una solución más adecuada es ofrecida por los Sistemas de Recomendación. Los Sistemas de Recomendación ofrecen información adaptada/personalizada a través de servicios de tipo pull (iniciado por el usuario) o push (iniciado por el sistema) para brindar apoyo a un usuario en los procesos de toma de decisiones que involucran grandes cantidades de información y un amplio espacio de alternativas. Estos sistemas pueden responder a requisitos de búsqueda incompletos y a necesidades implícitas del usuario sugiriéndole productos o servicios que éste ni siquiera sabía que existían, y mucho menos sabía que quería, lo que le permite al usuario a descubrir algo completamente nuevo. Mediante la combinación de ideas y técnicas de diferentes campos como los de recuperación de información, sistemas de búsqueda inteligentes, filtrado de información, inteligencia artificial, modelado de usuario, diseño de la interfaz de usuario, aprendizaje automático, procesamiento del lenguaje natural, la psicología, la sociología, la interacción humano-computadora, entre otros; los Sistemas de Recomendación ofrecen sugerencias proactivas y personalizadas de productos o servicios útiles e interesantes, ayudando a los usuarios a encontrar en menos tiempo artículos que se ajustan a sus necesidades y así aumentando la satisfacción del usuario [Mukh03][PuBr08].

Los Sistemas de Recomendación se han convertido en un extensivo e importante campo de investigación; un campo fuertemente interdisciplinario, en donde tanto las organizaciones académicas como comerciales trabajan en investigaciones innovadoras [Adom05][Scha01]. El interés en este campo (el cual es rico en problemas) es alto debido al gran número de posibles aplicaciones prácticas en las cuales los usuarios necesitan ayuda para lidiar con la Sobrecarga Cognitiva [Adom05]. Algunos ejemplos son: recomendación de libros como en Amazon.com [Amaz10][Scha01], recomendación de películas como en MovieLens [Movi97] y Netflix [Netf10], recomendaciones de chistes como las que ofrece Jester [Jest09], recomendaciones de música como Last.fm [Last10][Zaie08] y Rhapsody[Rhap10][Zaie08], las recomendaciones de noticias como las ofrecidas por CNN [CNNa10][Zaie08], e incluso las recomendación de citas amorosas como las ofrecidas por ColFi [Zaie08]. Los Sistemas de Recomendación se han convertido en un éxito comercial en aumento, y el día de hoy juegan un papel importante en el comercio electrónico y servicios en línea [PuBr08]. Sin embargo, a pesar de todos los logros obtenidos hasta el momento, el campo de los Sistemas de Recomendación es aún muy joven, y aún falta trabajo por hacer para mejorar la calidad y eficacia de las recomendaciones para que éstas puedan ser utilizadas en un conjunto más amplio de aplicaciones [Adom05].

Este proyecto busca diseñar y validar un framework genérico que permita a diferentes aplicaciones de recuperación de información, ofrecer servicios de recomendación de productos/servicios, tomando en cuenta criterios de adaptación/personalización que consideran la multidimensionalidad de usuarios, productos y del contexto. A través de la creación de un modelo general para un framework de recomendación genérico y multidimensional que se encuentra basado en la especificación de decisiones claves de diseño para la construcción de un Sistema de Recomendación, se diseño el Multi-Agent Vizier Recommendation Framework (Vizier). En concreto, Vizier es:


  • Multidimensional: los Sistemas de Recomendación actuales operan en un espacio de dos dimensiones (incluyendo tan sólo la información sobre el usuario y los productos que se ofrecen) y no se adaptan al contexto del usuario [Adom05][Scha01]. Por ejemplo, tienden a ofrecer las mismas recomendaciones en caso de que el usuario solicite el mismo servicio en diferentes situaciones (e.g., en el trabajo o en casa) [Rack05]. El considerar información contextual puede ser crucial para ofrecer recomendaciones en algunas aplicaciones. Además, si se tienen en cuenta ciertas dimensiones contextuales tales como el tiempo (e.g., la estación del año, el mes, el día de la semana), la compañía (es decir, la persona con quien el producto va a ser consumido) y el lugar; se puede mejorar significativamente la calidad de las recomendaciones ofrecidas [Adom05].

  • Genérico: el hecho de que las técnicas actuales de recomendación están generalmente estrictamente relacionadas con el tipo de servicio para el cual el sistema fue diseñado, crea la necesidad de diseñar un framework genérico de recomendaciones para ofrecer un mejor apoyo a los desarrolladores de servicios [Rack07][Rack05]. Un marco genérico de recomendaciones podría ser personalizado para ofrecer servicios de recomendación de productos pertenecientes a diversos dominios, categorías y/o tipos.

Dado el enfoque genérico de Vizier, el framework tiene como objetivo beneficiar aquellas entidades que actualmente desarrollan sistemas orientados a servicios y que desean agregar recomendaciones a sus servicios (e.g., aplicaciones de comercio electrónico). Además, considerando las características contextuales al momento de ofrecer recomendaciones, se espera que Vizier proporcione mejores resultados que técnicas de recomendación actuales.

Con el fin de validar Vizier, un primer prototipo fue creado. Dos requisitos principales son necesarios para que el prototipo pueda ofrecer recomendaciones y se puedan llevar a cabo las pruebas adecuadas.

En primer lugar, para llevar a cabo las pruebas al prototipo, por lo menos un Consumer Application dispuesto a solicitar al menos un servicio a Vizier es necesario. ZoundBeat es un reproductor de música especialmente creado para servir como punto de partida de la construcción de Vizier. Para percibir el valor agregado de Vizier, ZoundBeat no puede ser sólo un reproductor de música ordinario; éste debe cumplir con una serie de características adicionales para que Vizier sea capaz de considerar el contexto del usuario al momento de formular las recomendaciones. Por esta razón, ZoundBeat recolecta información contextual de manera explícita a partir del aporte que el usuario ofrece relacionado a sus estados de ánimo y las actividades que dicho usuario asocia a la sesión actual, a la lista de reproducción y a las canciones. Al compartir esta información con Vizier, Vizier y ZoundBeat colaboran para ofrecerle al usuario recomendaciones de listas de reproducción.

En segundo lugar, para que Vizier pueda ofrecer recomendaciones, técnicas para cada servicio de recomendación especifico deben ser desarrolladas y se debe contar con el dataset adecuado. Estos últimos requisitos se encuentran fuera del alcance proyecto en esta fase inicial y deben llevarse a cabo en futuros trabajos. En consecuencia, las pruebas adecuadas no pudieron llevarse a cabo para el prototipo inicial de Vizier.






CONCLUSIONES Y TRABAJOS FUTUROS


Los Sistemas de Recomendación surgieron para aliviar el problema de la Sobrecarga Cognitiva al apoyar a usuarios en diferentes tareas relacionadas a la recuperación de información, especialmente en situaciones donde un usuario no tiene una idea clara de los criterios de su búsqueda o simplemente desea descubrir algo nuevo. El área de Sistemas de Recomendación se ha trabajado ampliamente y es fuertemente interdisciplinar, sin embargo es muy joven, y se requiere de más investigación para construir mejores soluciones de recomendación.

Este proyecto propone el Multi-Agent Vizier Recommendation Framework (Vizier), por un lado con el fin de apoyar a aquellas entidades que actualmente desarrollan sistemas orientados a servicios que desean agregar recomendaciones a sus servicios (e.g., aplicaciones de comercio electrónico); por otro lado con el fin de ofrecer una solución que se espera que proporcione mejores resultados adaptados/personalizados que soluciones actuales al considerar la multidimensionalidad de los usuarios, productos y el contexto. Vizier es un framework genérico basado en agentes que considera información contextual para ofrecerle a diferentes Consumer Applications servicios de recomendación con el fin de que éstas puedan ofrecerles recomendaciones a sus usuarios.

Basado en una revisión bibliográfica de los conceptos generales del área de Sistemas de Recomendación2, se creó una lista de las decisiones de diseño claves que deben tomarse en cuenta antes de construir cualquier tipo de solución de recomendación que considere criterios de adaptación/personalización. De esta manera, la lista propuesta sirve como guía para cualquier desarrollador que desea crear su propio Sistema de Recomendación. Basándose en la lista, componentes que todos los Sistemas de Recomendación deben tener, y componentes agregados que Sistemas de Recomendación Genéricos y Multidimensionales deben tener, fueron identificados y organizados en el General Vizier Model. Cualquier desarrollador que desea construir un Sistema de Recomendación Multidimensional y Genérico puede utilizar tanto la lista como el General Vizier Model como base para su propio diseño. Dados estos fundamentos, se diseño Vizier. Con la intención de validar el diseño inicial de Vizier, un prototipo inicial de Vizier fue implementado. Este prototipo fue limitado para ofrecer un servicio de recomendación, para una categoría (música), a un Consumer Application que tiene un usuario.

De la revisión bibliográfica, se concluye que para poder construir y probar un Sistema de Recomendación un número de prerrequisitos deben cumplirse previamente. Satisfacer estos requisitos no es una tarea fácil lo cual impone restricciones severas al desarrollo del proyecto. Para el prototipo inicial de Vizier una de las limitaciones se pudo sobrellevar pero dos no, dado el alcance del proyecto.

En primer lugar, para probar una técnica de recomendación, se necesita de un servicio de recomendación. Dentro de Vizier, usuarios reciben recomendaciones a través de un Consumer Application. Esto significa que para llevar a cabo pruebas al prototipo, aunque sea un Consumer Application que solicite servicios a Vizier se necesita. Esta limitación se soluciona con la creación de ZoundBeat, un reproductor de música creado específicamente para servir como base para la construcción de Vizier. Una de las características más importantes del prototipo inicial de ZoundBeat es su habilidad para recopilar información contextual provista por el usuario de manera explícita de las actividades y estados de ánimo que el usuario asocia a una sesión, listas de reproducción y canciones. Al compartir esta información con Vizier, Vizier y ZoundBeat colaboran para ofrecerle al usuario recomendaciones de listas de reproducción.

En segundo lugar, otro requisito es un dataset apropiado que contenga la información que se necesita para construir recomendaciones. Para que Vizier pueda ofrecer recomendaciones multidimensionales, entonces el dataset de Vizier debe incluir información contextual. Actualmente una de las limitaciones más severas es la falta del mencionado dataset. Sin embargo, durante el transcurso del proceso de implementación, un dataset de canciones fue iniciado y con tiempo al utilizar el prototipo de ZoundBeat el dataset crecerá.

En tercer lugar, la investigación mostro que las técnicas de recomendación tienden a encontrarse fuertemente conectadas al tipo de servicio de recomendación. Dado este hecho, para que Vizier pueda ofrecer servicios genéricos, el framework debe incluir y seleccionar de manera apropiada la técnica correcta de recomendación para cada situación única. Como el estudio de técnicas especificas de recomendación para dominios, categorías y tipos específicos se encuentra fuera del alcance de este proyecto, un Specialist Recommender Agent para el prototipo inicial de Vizier no pudo ser implementado.

Dada la falta de un dataset apropiado y de agentes Specialist Recommender Agents, el prototipo inicial de Vizier no puede generar recomendaciones y por tanto las pruebas apropiadas no pudieron ser llevadas a cabo.

Es importante aclarar que las contribuciones presentadas son tan solo parte de una fase inicial del proyecto propuesto. En conclusión, las contribuciones principales de esta primera fase son: una lista de decisiones clave para cualquier tipo de Sistema de Recomendación, el General Vizier Model, el diseño del Multi-Agent Vizier Recommendation Framework, el prototipo inicial del Multi-Agent Vizier Recommendation Framework y el prototipo inicial de ZoundBeat.

Dadas las restricciones de tiempo, se obtuvieron un gran número de logros sin embargo trabajos futuros son necesarios para sobrellevar las restricciones actuales. Algunos trabajos futuros se han mencionado a lo largo del documento y en trabajos anexos. No obstante, los siguientes son los más significantes:



  • Actualización constante del marco teórico y el estado del arte: una investigación más extensa debe llevarse a cabo con el fin de profundizar en los diferentes conceptos relacionados con los Sistemas de Recomendación encontrados en la investigación actual. Estudios futuros deben explorar en profundidad las técnicas de recomendación para los diferentes servicios de recomendación que podría proporcionar Vizier. Además, la relación entre los diferentes dominios, categorías y tipos, también deben ser estudiados con el fin de realmente ofrecer servicios genéricos. Como paso inmediato, una investigación debe llevarse a cabo en el tema de recomendación de música y de esta manera añadir un Specialist Recommender Agent a Vizier.

  • Creación de un dataset que tome en cuenta diversos dominios: inicialmente el dataset que se está utilizando pertenece a la categoría de música. Sin embargo, con el fin de validar que el framework es realmente genérico, éste debe ofrecer servicios de recomendación a Consumer Applications que pertenezcan a distintos dominios, categorías y/o tipos. Esto significa que el framework no sólo debe contar con los agentes Specialist Recommender Agent, pero también con un dataset que tome en cuenta diversos dominios o varios dataset que pertenezcan a distintos dominios, categorías y/o tipos. Dado que los dataset existentes no incluyen información del contexto, el cumplimiento de los requisitos de dataset implica la creación de un nuevo dataset o datasets.

  • Validar el prototipo inicial de Vizier: cuando se sobrelleven las limitaciones actuales el prototipo inicial de Vizier debe ser validado.

  • Incorporar más de un Consumer Application: dado que Vizier ha sido diseñado bajo una aproximación genérica, pruebas al prototipo deben ser llevadas a cabo utilizando diferentes Consumer Applications de diferentes dominios, categorías y/o tipos.

  • Agregar varios usuarios: dado que en trabajos futuros pruebas deberían ser llevadas a cabo incluyendo diferentes usuarios, los prototipos de ZoundBeat y Vizier deben aumentarse para manejar más de un usuario. Para incentivar que diferentes usuarios utilicen ZoundBeat la eficiencia de la aplicación debe ser incrementada y nuevas funcionalidades deben ser agregadas.

  • Unir el diseño inicial de Vizier y el prototipo inicial de Vizier: agentes del diseño inicial de Vizier que no fueron incluidos en el prototipo inicial de Vizier deben agregarse al prototipo.

  • Unir el diseño inicial de Vizier con el General Vizier Model: componentes del General Vizier Model que no fueron incluidos en el diseño inicial deben ser agregados al diseño.

  • Perfiles Genéricos: perfiles genéricos deben ser agregados a Vizier para realmente ofrecer servicios genéricos.

  • Enfrentar los retos actuales de los Sistemas de Recomendación: Vizier también enfrenta los retos actuales de los Sistemas de Recomendación (e.g., escalabilidad) y trabajos futuros necesitan ser llevados a cabo para determinar cómo estos retos serán enfrentados.







REFERENCIAS


[Adom05]

Adomavicius, G., Tuzhilin, A. Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. In: IEEE Transactions on Knowledge and Data Engineering, vol. 17, no. 6, June 2005. IEEE Educational Activities Department (Piscataway, NJ, USA, 2005), pp. 734-749.


[Alba05]

Albayrak, S., Wollny, S., Varone, N., Lommatzsch, A., Milosevic, D. Agent Technology for Personalized Information Filtering: The PIA-System. In: Haddad, H., Liebrock, L., Omicini, A., Wainwright, R. (eds.): Proceedings of the 20th Annual ACM Symposium on Applied Computing (SAC 2005) (Santa Fe, New Mexico, USA, March 13-17, 2005). ACM Press, New York, NY (2005), pp. 54-59.


[Amaz10]

Amazon: http://www.amazon.com (Last Access: August 2010)


[Anan03]


Anand, S. Mobasher, B. Intelligent Techniques for Web Personalization. In: Anand, S. Mobasher, B. (eds.): Intelligent Techniques for Web Personalization: IJCAI 2003 Workshop, ITWP 2003, Acapulco, Mexico, August 11, 2003, Revised Selected Papers (Lecture Notes in Computer Science, Lecture Notes in Artificial Intelligence). Springer-Verlag New York, Inc., Secaucus, NJ, USA (2005), pp. 1-36.


[Ansa99]

Ansari, A., Essegaier, S., Kohli, R. Internet Recommendation Systems. Columbia University, New York, USA, (1999), 44 pages.


[Barr10]

Barraza, A., Carrillo, A. Aspects to keep in Mind for the Ideal Ubiquitous Web Information Retrieval Solution based on agents. In: Villa J. (eds.): Proceedings of the Quinto Congreso Colombiano de Computación (5CCC 2010) (Cartagena, Colombia, Abril 14-16, 2010).


[Bott06]

Botti, S., Iyengar, S. The Dark Side of Choice: When Choice Impairs Social Welfare. In: Journal of Public Policy and Marketing, vol. 25, no. 1, January 2006. American Marketing Association, p. 24-38.


[CNNa10]

CNN Cable News Network: http://edition.cnn.com/ (Last Access: August 2010)


[Eppl04]

Eppler, M., Mengis, J. The Concept of Information Overload: A Review of Literature from Organization Science, Accounting, Marketing, MIS, and Related Disciplines. In: The Information Society: An International Journal, vol. 20 no. 5, November-December 2004. Routledge, part of the Taylor & Francis Group, pp. 325-344.


[Himm07]

Himma, K. The concept of information overload: A preliminary step in understanding the nature of a harmful information-related condition. In: Ethics and Information Technology, vol 9, no. 4, December 2007. Kluwer Academic Publishers (Hingham, MA, USA), pp. 259–272


[Jest09]

Jester: http://eigentaste.berkeley.edu/ (Last Access: August 2010)


[Kons08]

Konstan, J. Introduction to Recommender Systems. (eds.): Proceedings of the 2008 ACM SIGMOD International Conference on Management of Data, Tutorial Session (SIGMOD 2008) (Vancouver, Canada, June 09-12, 2008). ACM, NY, USA.


[Last10]

Last.fm: http://www.last.fm (Last Access: August 2010)


[Movi97]

MovieLens: http://movielens.umn.edu/ (Last Access: August 2010)


[Mukh03]

Mukherjee, R., Sajja, N., Sen, S. A Movie Recommendation System-An Application of Voting Theory in User Modeling. In: User Modeling and User-Adapted Interaction, vol. 13, no. 1-2, February 2003. Kluwer Academic Publishers (Hinghan, MA, USA), pp. 3-33.


[Netf10]

Netflix: http://www.netflix.com/ (Last Access: August 2010)


[PuBr08]

Pu, P., Bridge, D., Mobasher, B., Ricci, F., Martin, F., Shail, P. Proceedings of the 2008 ACM conference on Recommender Systems. In: Pu, P., Bridge, D., Mobasher, B., Ricci, F. (eds.): Proceedings of the 2008 ACM Conference on Recommender Systems (RecSys 2008) (Lausanne, Switzerland, October 23-25, 2008). ACM, New York, NY, USA (2008), pp. iii.


[Rack05]

Räck, C., Arbanowski, S., Steglich, S. Context-aware, Ontology-based Recommendations. (eds.): Proceedings of the International Symposium on Applications and the Internet Workshops (SAINT Workshops 2006) (Phoenix, Arizona, USA, January 23-27, 2006), IEEE Computer Society, Washington, DC, USA (2006), pp  98 – 104.


[Rack07]

Räck, C., Arbanowski, S., Steglich, S. A Generic Multipurpose Recommender System for Contextual Recommendations (eds.): Proceedings of the 8th International Symposium on Autonomous Decentralized Systems (ISADS 2007) (Sedona, Arizona, USA, March 21-23, 2007), IEEE Computer Society, Washington, DC, USA (2007), pp  445-450.


[Resn97]

Resnick, P., Varian, H. Recommender Systems. In: Communications of the ACM, vol. 40, no. 3, March 1997. ACM (New York, NY, USA), pp. 56-58.


[Rhap10]

Rhapsody: http://www.rhapsody.com (Last Access: August 2010)


[Scha01]

Schafer, J., Konstan, J., Riedl, J. E-Commerce Recommendation Applications. In: Data Mining and Knowledge Discovery, vol. 5, no. 1-2, January-April 2001. Kluwer Academic Publishers (Hingham, MA, USA), pp. 115-153.


[Schw03]

Schwartz, B. The Paradox of Choice: Why More is Less. Ecco (December 22, 2003), 288 pages.


[Shen97]

Shenk, D. Data Smog: Surviving the Info Glut. In: Technology Review, vol. 100, no. 4, May-June 1997. Massachusetts Institute of Technology (Cambridge, MA, USA), pp. 18-26.


[Terv01]

Terveen, L., Hill, W. Beyond Recommender Systems: Helping People Help Each Other. In: Carroll, J. (eds.): HCI in the New Millennium, no. 1, 2001. Addison-Wesley, pp. 487–509.


[Zaie08]

Zaier, Z., Godin, R., Faucher, L. Evaluating Recommender Systems. (eds.): Proceedings of the 4th International Conference on Automated solutions for Cross Media Content and Multi-channel Distribution (AXMEDIS 2008) (Florence, Italy, November 17-19, 2008). IEEE Computer Society, Washington, DC, USA (2008), pp. 211-217.




1the information explosion has not been accompanied by a leap in human evolution” [Terv01]

2 La revisión bibliográfica presentada puede considerarse como una contribución en sí, dada la falta de documentación dentro de las referencias encontradas que definen apropiadamente el área de Sistemas de Recomendación. Se encontraron un gran número de referencias que explican diferentes aplicaciones de Sistemas de Recomendación pero tan solo pocas especifican conceptos y definiciones.



La base de datos está protegida por derechos de autor ©bazica.org 2016
enviar mensaje

    Página principal