Los sistemas de recomendación automática cada vez son más populares: las redes sociales nos recomiendan a quién seguir, los servicios de entretenimiento nos recomiendan películas y música. Pero como te habrás dado cuenta, lograr dar recomendaciones que realmente sean del interés de los usuarios no es trivial. En esta sesión estudiaremos lecciones aprendidas y mejores prácticas para diseñar sistemas de recomendación eficaces. Impartido por: Blanca A. Vargas Govea

1. SISTEMAS DE
RECOMENDACIÓN
LECCIONES APRENDIDAS Y MEJORES PRÁCTICAS
Camino a Data Day 2018

2. ¡Hola!
Blanca Vargas Govea
Robótica
Móvil
Sistemas
de
recomenda-
ción
Científico
de datos
Doctorado
INAOE
Post-doc
CENIDET
OCCMundial

3. ¿DE QUÉ
PLATICAREMOS?
La importancia de
analizar los datos desde
diferentes perspectivas
antes de culpar a
inocentes
Yo no
fui

4. SISTEMAS DE
RECOMENDA-
CIÓN
Los encontramos en
todas partes: servicios,
entretenimiento, e-
commerce

5. CUANDO REVISAMOS
Literatura
Cursos
Contenido
Filtrado
colaborativo
Contexto
Híbridos

6. Y entonces los usuarios reciben las recomendaciones
Y VAMOS
EMOCIONADOS…
Se implementa, en las
pruebas offline se
obtiene un 98% de
precisión
¿Qué
podría salir
mal?

7. Regadera Limpia-fácil Regadera Llévame Regadera alta presión

8. ¿QUÉ SALIÓ MAL?
Fue el algoritmo. Seguro.
Y en las revisiones cualitativas te das cuenta
de que el contenido de los perfiles y artículos
de los quejosos tienen enormes coincidencias
Que no
fui yo

9. Información
inconsistente
Las personas
mentimos
Información no
normalizada
CAUSAS FRECUENTES
1 2 3

10. 1. Las personas mentimos
CASO 1
Desconfianza a introducir
información: $
Siempre lo
he dicho
CASO 3
Cuentas falsas
CASO 2
Cierta información no
congruente con tu
comportamiento: movilidad

11. VAMOS A
OBTENER
Recomendaciones
precisas de acuerdo al
contenido pero
imprecisas de acuerdo al
comportamiento
Dicen una
cosa pero
hacen otra

12. ¿Qué hacer?
¿Entonces no creo nada y el contenido no lo
tomo en cuenta?

13. Evaluar contenido
Relevancia
Análisis comportamiento
Los hechos dicen más que las palabras
Asignar pesos
¿Qué contenido es más creíble que otro?

14. 2. Información inconsistente
CUENTAS CON
MAS DE UN
USUARIO
Registro de contenido y
comportamientos distintos
Quiero ver
Buscando
a Nemo
Me gustan
las
películas
de Marvel
Veré otra
vez Titanic,
ojalá esta
vez Jack no
se ahogue

16. VAMOS A
OBTENER
Recomendaciones no
personalizadas
No
entiendo a
los
humanos

17. ¿Qué hacer?
¿Cómo saber si una cuenta es compartida?

18. Identificar cambios
Contenido – Comportamiento - Tiempo
Monitorear eventos
Tracking
Identificar patrones
Clusters, modelos predictivos, temporalidad

19. 3. Información no normalizada
CASO 1
Los usuarios introducen
información en texto libre
CASO 2
Existen distintas fuentes para
la misma información
MTY
Monterrey
auxiliar
Auxiliar
Aux

20. VAMOS A
OBTENER
Recomendaciones
imprecisas
Datos de
baja
calidad

21. ¿Qué hacer?
¿Ponemos combo boxes a todo para asegurar
la calidad de la información?

22. Normalizar información
Procesamiento de lenguaje natural (Python – nltk, R)
Homologar información
Asegurar que la información utilizada provenga de la
misma fuente o sea equivalente

23. ○ Mejora en la
salida de los
algoritmos
○ Mejora en la
precisión de los
análisis
¿Y LUEGO?
Ya analicé el
comportamiento
Ya
normalicé
Ya minimicé
información
inconsistente

24. GIGO
Garbage In – Garbage Out
Analizar comportamiento y
contrastar con el contenido
Minimizar la información
inconsistente
Normalizar la información
LECCIONES
APRENDIDAS

25. Y entonces los usuarios reciben mejores recomendaciones
¿QUÉ
LOGRAMOS?
Mejor calidad en la
información
Mejores resultados en
los algoritmos/personas
más satisfechas
Mejores decisiones
Tengo
salvación

26. Es necesario explorar con
mayor profundidad antes de
culpar a los algoritmos
Ya ven,
no
siempre
soy yo

27. ¡Gracias!
¿Preguntas?
Me puedes encontrar en:
@blancavg
bvargas@occ.com.mx

28. CREDITOS
Special thanks to all the people who made and released these awesome
resources for free:
○ Presentation template by SlidesCarnival
○ Photographs by Unsplash