Uso de procesos de alcance de consenso para mejorar la recomendación a grupos
•Descargar como PPTX, PDF•
0 recomendaciones•303 vistas
Los Sistemas de Recomendación ayudan a los usuarios a filtrar grandes cantidades de información, mostrando los elementos que mejor satisfacen sus necesidades y/o preferencias. Estos sistemas han sido ampliamente usados en áreas como el comercio electrónico o el turismo. Los Sistemas de Recomendación a Grupos se aplican cuando las recomendaciones se dirigen a un grupo de usuarios, quienes pueden tener preferencias y necesidades distintas e incluso contradictorias. Para mejorar la satisfacción de los miembros se han usado distintas técnicas para la generación de las recomendaciones, como \textit{minimizar la insatisfacción} de los miembros, que asume que un grupo está tan satisfecho como su miembro más insatisfecho, pero no garantiza que sean las mejores para el grupo. En esta contribución se propone una metodología de recomendación a grupos que aplica técnicas de consenso automático para mejorar las recomendaciones a grupo y la satisfacción de los mismos.
Recomendados
Más contenido relacionado
Destacado
Similar a Uso de procesos de alcance de consenso para mejorar la recomendación a grupos
Similar a Uso de procesos de alcance de consenso para mejorar la recomendación a grupos (20)
Último
Último (20)
Uso de procesos de alcance de consenso para mejorar la recomendación a grupos
- 1. Uso de procesos de alcance de consenso para mejorar la recomendación a grupos Jorge Castro, Francisco J. Quesada, Luis Martínez jcastro@decsai.ugr.es LODISCO 3 – Toma de decisiones difusas o en ambientes de incertidumbre II Department of Computer Science and Artificial Intelligence, University of Granada, Spain Computer Science Department, University of Jaén, Spain sinbad2.ujaen.es sci2s.ugr.es
- 2. Outline Preliminares Sistemas de recomendación Recomendación a grupos Motivación Procesos de alcance de consenso en Toma de Decisiones en Grupo Propuesta: Alcance de consenso en recomendación a grupos Caso de estudio Conclusiones
- 3. Sistemas de recomendación … any system that produces individualized recommendations as output or has the effect of guiding the user in a personalized way to interesting or useful objects in a large space of possible options. R.Burke, Hybrid Recommender Systems: Survey and Experiments Ejemplos Spotify Netflix Amazon Técnicas Basados en contenido Colaborativos Híbridos Información Atributos de usuarios Atributos de productos Preferencias
- 4. Sistemas de recomendación colaborativos Valoraciones de los usuarios ru ,i1 n ru ,i1 j ru ,i1 1 ru ,im 1 ru1 ruq ru ,im j ru ,im n Vecindario del usuario activo Top-N productos con mayor predicción Itop-3 Itop-1 Itop-2 ru ,ii 1 rui ru ,ii j ru ,ii n Predicción de valoraciones a partir del vecindario rv2,i1 rv2,ij rv2,in rv1,i1 rv1,ij rv1,in rv3,i1 rv3,ij rv3,in pu,i 1 pu,i j pu,i n Información: Preferencias implícitas o explícitas Predicción para productos no experimentados Filtrado colaborativo basado en vecinos cercanos
- 5. Recomendación a grupos Productos sociales restaurantes, puntos de interés turístico, música Técnicas: agregación de valoraciones o recomendaciones Itop-1 Itop-2 Recomendaciones para el grupo Recomendaciones para cada miembro Itop-3Itop-1 Itop-2 rg1 rg2 r Recomendación Sistema de recomendación a individuos g3,i1 rg2,i1 rg1,i1 rg1,ij rg2,ij rg3,ij rg3,in rg2,in rg1,in Itop-3 Itop-3Itop-1 Itop-2 Itop-3Itop-1 Itop-2 rg3 Preferencias de los miembros
- 6. Motivación Recomendaciones de grupo no satisfactorias para los miembros Minimizar la insatisfacción de los miembros Dinámicas de grupo influencia del grupo negociación entre los miembros Satisfacción Acuerdo en Toma de Decisión en Grupo Procesos de alcance de consenso Objetivo: mejorar la satisfacción del grupo aplicando consenso
- 7. Toma de decisiones en grupo Toma de decisiones en grupo Grupo de expertos Varias alternativas Preferencias de cada experto sobre las alternativas Objetivo: Seleccionar la mejor alternativa Los expertos pueden no estar satisfechos con la alternativa seleccionada Recomendación a grupos Grupo de usuarios Varios productos Preferencias individuales sobre los productos Objetivo: Seleccionar el producto que satisface al grupo Mejorar la satisfacción individual hacia la recomendación de grupo
- 8. Procesos de alcance de consenso Consensus is defined as a state of mutual agreement, in which all opinions have been taken into account and every individual concern has been addressed. Proceso de negociación Moderador guía el proceso Consenso automático
- 9. Propuesta: Alcance de consenso en recomendación a grupos Mejora de las recomendaciones mediante consenso Consenso sobre las recomendaciones individuales Nivel de consenso a alcanzar
- 10. Propuesta: Fase de recomendación u1 u2 ui i1 it r r t r r t ri rit Ratings over items Collaborative ltering algorithm Borda count x1 xn r r t r t rmt Predictions over items for group members rm r i1 it r r n r n rmnrm r Predictions over top-n commonly predicted items (n << t) All Users
- 11. Propuesta: Fase de consenso
- 12. Caso de estudio Conjunto de datos: MovieLens 100k Validación: hold-out 80-20 Generados 30 grupos aleatorios de 5 miembros Técnicas comparadas Baseline: Agregación de recomendaciones, minimizar la insatisfacción Propuesta: Nivel de consenso mínimo: 0.80, 0.85, 0.90
- 13. Caso de estudio Área bajo ROC Orden de las recomendaciones 0.5, orden aleatorio 1.0, orden perfecto La propuesta mejora los resultados
- 14. Caso de estudio Precisión de las recomendaciones Ratio de productos relevantes Tamaño de la lista de recomendaciones
- 15. Conclusiones Recomendación a grupos Agregación de recomendaciones Recomendaciones no satisfactorias Minimizar la insatisfacción de los miembros Consenso automático para mejorar las recomendaciones Mejora de los resultados en AUC y Precisión Trabajo futuro Visualización del consenso alcanzado
- 16. Uso de procesos de alcance de consenso para mejorar la recomendación a grupos Jorge Castro, Francisco J. Quesada, Luis Martínez jcastro@decsai.ugr.es LODISCO 3 – Toma de decisiones difusas o en ambientes de incertidumbre II Department of Computer Science and Artificial Intelligence, University of Granada, Spain Computer Science Department, University of Jaén, Spain sinbad2.ujaen.es sci2s.ugr.es
Notas del editor
- Present myself, read the title and read affiliation to both the university and the research groups.
- La presentación de este trabajo está dividida en las siguientes partes. En primer lugar, veremos una introducción a los sistemas de recomendación y la recomendación a grupos, que son los sistemas que mejoramos en la propuesta. Una vez visto esto, comentaré la motivación del trabajo. Tras esto revisaremos los procesos de alcance de consenso en toma de decisión en grupo y cómo se pueden aplicar en recomendación a grupos. En este punto comentaremos la propuesta, describiendo en qué fases se divide y cómo funciona. Una vez visto esto, presentare el caso de estudio que hemos realizado para evaluar la propuesta y sus resultados. Finalmente comentaré las conclusiones del mismo.
- Los sistemas de recomendación, según Robin Burke, pueden ser definidos como cualquier sistema que produce recomendaciones individualizadas como salida o que tiene el efecto de guiar al usuario de una manera personalizada a ítems interesantes o útiles entre un conjunto de alternativas grande. Estos sistemas, para su funcionamiento, utilizan información como atributos de los ítems, atributos de los usuarios y preferencias de los usuarios sobre los ítems. Existen distintas técnicas para implementar un sistema de recomendación, pero las más estudiadas en la literatura son las basadas en contenido, los sistemas colaborativos y sistemas híbridos que combinan dos o más técnicas. En este trabajo nos centramos en los sistemas de recomendación colaborativos. Ejemplos conocidos de sistemas de recomendación son la radio de spotify, netflix y amazon.
- Los sistemas de recomendación colaborativos se centran en explotar las preferencias de los usuarios, que pueden ser implícitas o explícitas. Con esta información el sistema produce una predicción para los productos que el usuario activo no ha experimentado. Una técnica sencilla y con unos resultados de recomendación buenos es el filtrado colaborativo basado en vecinos cercanos. Esta técnica utiliza las valoraciones de los usuarios para buscar un conjunto de vecinos del usuario activo utilizando una medida de similitud. A partir del vecindario se calculan predicciones para el usuario activo y finalmente el sistema recomienda los n productos con mayor predicción.
- Como hemos visto, los sistemas de recomendación tradicionales se centran en la recomendación de productos a individuos, pero existen ciertos productos para los que tiene mayor interés su recomendación a grupos de usuarios, por el carácter social de los mismos. Ejemplos de estos productos son los restaurantes, atracciones turísticas, música o películas. En recomendación a grupos existen dos técnicas para extender los sistemas de recomendación individuales: la agregación de valoraciones y la agregación de recomendaciones. En esta figura se muestra el funcionamiento de un SRG con agregación de recomendaciones, que son los sistemas que vamos a utilizar. Como se puede apreciar en la figura, el sistema calcula una lista de recomendaciones para cada miembro, que se agregan al final para generar la recomendación a grupo.
- Una vez hemos visto los Sistema de recomendación y la recomendación a grupos vamos a ver la motivación y objetivo de este trabajo. Una característica de la recomendación a grupo es que, ya que se produce una única lista de recomendaciones para todos los miembros, puede ocurrir que los miembros no estén satisfechos con las mismas. Para ello se ha aplicado el enfoque de minimizar la insatisfacción de los miembros. Pero esto no garantiza que las recomendaciones sean satisfactorias, ya que no tiene en cuenta dinámicas de grupo como la influencia del grupo en los individuos y la negociación entre los miembros del grupo. En este trabajo partimos de la idea de que la satisfacción en recomendación a grupos es similar al acuerdo en toma de decisión en grupo. Por lo tanto, el objetivo de esté trabajo es aplicar procesos de alcance de consenso en recomendación a grupos para mejorar la satisfacción de las recomendaciones.
- Entonces, para mejorar la recomendación a grupos vamos a aplicar técnicas de toma de decisión en grupo. Los problemas de decisión en grupo se componen de un grupo de expertos, que tiene que decidir entre varias alternativas. Para ello, los expertos expresan sus preferencias sobre las alternativas, para seleccionar la alternativa preferida por el grupo. Como podéis ver, la Toma de decisión en grupo es similar al problema de recomendación a grupos: Tenemos un grupo de usuarios que cuyo objetivo es seleccionar el mejor producto y para ello expresan sus opiniones individuales sobre los productos. Como podemos ver, en ambos problemas se intenta mejorar el proceso de manera similar: En TDG los expertos pueden no estar satisfechos con la alternativa seleccionada y en SRG se necesita mejorar la satisfacción individual hacia la recomendación de grupo.
- En toma de decisión en grupo, para mejorar la satisfacción de los expertos con la alternativa seleccionada se aplican procesos de alcance de consenso. El consenso puede ser definido como un estado de acuerdo mutuo, en el que todas las opiniones han sido tenidas en cuenta y preocupaciones individuales han sido solucionadas. En los procesos de alcance de consenso se introduce un proceso de negociación iterativo en el que los expertos dan sus preferencias y las revisan hasta que se alcanza el nivel de consenso requerido. Para ello, en el proceso de negociación se introduce la figura del moderador, que guía a los expertos e indica a los expertos qué valoraciones deben considerar cambiar para acercar sus preferencias a la preferencia colectiva. Este proceso de negociación mejora la aceptación de la alternativa seleccionada para los expertos. De especial interés para la recomendación a grupos son las técnicas de alcance de consenso automático, en el que el sistema evalúa y modifica las preferencias de los expertos para alcanzar el nivel de consenso deseado.
- Por lo tanto, nuestro objetivo es mejorar la recomendación a grupos aplicando técnicas de alcance de consenso, por lo que en la propuesta se integra el proceso de consenso en la recomendación a grupos. En la propuesta vamos a aplicar dicho proceso sobre las recomendaciones individuales, que son modificadas hasta que se alcanza el nivel de consenso requerido. Por lo tanto, para aplicar técnicas de consenso en primer lugar la propuesta realiza una fase de recomendación individual, en la que se obtienen los mejores productos para cada miembro y posteriormente se aplica un proceso de consenso que acerca dichas recomendaciones antes de generar las recomendaciones consensuadas para el grupo.
- La fase de recomendación funciona se realiza de la siguiente manera. En primer lugar, se tienen las valoraciones individuales de los miembros sobre los productos. A partir de dichas valoraciones, el sistema de recomendación individual predice las valoraciones de los miembros sobre los productos que no han experimentado anteriormente. Tras esto, utilizando el método borda, se selecciona un conjunto reducido de productos que compondrán la recomendación. Sobre dicho conjunto reducido de productos se calcula el orden de preferencia para los miembros. Estos datos servirán de entrada para la fase de consenso.
- En la fase de consenso se realiza un proceso de alcance de consenso sobre las recomendaciones individuales. Para ello, los ordenes de preferencia son convertidos en relaciones de preferencia difusas, que indican el grado de preferencia de cada par de alternativas para cada miembro del grupo. Tras esto, se aplica el proceso iterativo que modifica las preferencias iterativamente hasta que se alcanza el nivel de consenso deseado. Una vez se alcanza el consenso, se produce la lista de recomendaciones consensuadas, que es la recomendación producida por la propuesta.
- Para validar la técnica propuesta hemos realizado un caso de estudio. En este caso de estudio hemos utilizado el conjunto de datos movieLens 100k, que contiene 100mil valoraciones de 1000 usuarios sobre 1700 películas. Para la validación hemos aplicado el método hold-out, en el que se selecciona un 80% de los datos para entrenamiento y el 20% restante se usa para la evaluación del sistema. Para la evaluación se han generado 30 grupos aleatorios de 5 miembros. Las técnicas comparadas son, como baseline la agregación de recomendaciones que minimiza la insatisfacción de los miembros y la propuesta, que ha sido evaluada con niveles de consenso de 0’80, 0’85 y 0’90.
- En primer lugar vamos a analizar las técnicas comparadas usando la métrica área bajo la curva roc. Esta métrica estudia el orden de las recomendaciones, es decir, mide cómo el sistema devuelve los productos preferidos en primer lugar en la lista de recomendación y deja los productos no preferidos al final. De esta manera, el AUC será 1 cuando la lista de recomendaciones sea perfecta y 0,5 cuando no exista una relación entre el orden de recomendación y las valoraciones de los usuarios. Como podéis ver en los resultados, la aplicación de técnicas de consenso mejora los resultados en general, siendo para un nivel de consenso de 0.8, el menor de los probados, para el que se obtiene el valor máximo de esta medida.
- Para analizar las recomendaciones en detalle hemos utilizado la precisión de las recomendaciones. La precisión mide la proporción de productos relevantes en la lista de recomendaciones. Si examinamos los resultados, podemos ver que la propuesta con un nivel de consenso de 0.8 (línea naranja) mejora los resultados de la técnica de base (línea azul), para todos los tamaños de la lista de recomendación. Si analizamos el comportamiento de la propuesta, vemos que para una lista de recomendaciones de tamaño reducido (4 o menos productos) incrementar el nivel de consenso no mejora la precisión de las recomendaciones, incluso empeora los resultados de la técnica baseline. Sin embargo, cuando se recomiendan 5 o más productos, la propuesta mejora los resultados de la técnica de base para todos los niveles de consenso evaluados.
- Para finalizar, las conclusiones de este trabajo son las siguientes. En este trabajo hemos tratado de mejorar la recomendación a grupos mediante agregación de recomendaciones. Dado que las recomendaciones a grupo no siempre son satisfactorias, en la literatura se han aplicado técnicas que minimizan la insatisfacción de los miembros. En este trabajo hemos propuesto la utilización de procesos de alcance de consenso automático para mejorar las recomendaciones. En el caso de estudio hemos mostrado que la técnica propuesta mejora los resultados para el AUC y la precisión. Como trabajo futuro nos planteamos estudiar la visualización del proceso de consenso para su utilización en un sistema de recomendación a grupo.
- Present myself, read the title and read affiliation to both the university and the research groups.