Exploración de métodos de explicabilidad en un escenario de recomendación grupal.

Abstract

El desarrollo de métodos de explicabilidad constituye un campo de investigación y desarrollo emergente y necesario en sistemas inteligentes y por ende de los sistemas de recomendación. En este sentido, en los últimos años han sido desarrollados métodos de recomendación que se caracterizan por lograr una alta precisión en las recomendaciones tales como, los basados sistemas de filtrado colaborativo basado en factorización matricial [1]. Sin embargo, estos métodos tienen como inconveniente, la falta de transparencia cara a los usuarios finales. O sea, que constituyen cajas negras sobre las cuales no es posible entender por qué se generan las recomendaciones finales. Para paliar este problema, han sido desarrollados varios métodos post‐hoc para su explicabilidad, con vistas a dar una justificación plausible de las recomendaciones generadas. Uno de los primeros métodos post‐hoc de explicabilidad es el desarrollado por Peake y Wang [2], el cual utiliza el descubrimiento de reglas de asociación sobre los ítems recomendados a usuarios individuales, para justificar la recomendación de estos ítems basados en las preferencias dadas anteriormente sobre otros ítems, por parte del mismo usuario. En el presente Trabajo de Fin de Máster, hemos explorado la aplicación de este método en un escenario novedoso de recomendación en grupo, considerando que hasta el momento dicho método ha sido utilizado únicamente en escenarios de recomendación individual. Para así, entender el diseño de un sistema de recomendación grupal basado en filtrado colaborativo que proporciona recomendaciones y explicaciones de dichas recomendaciones a grupos de usuarios sobre productos o servicios que satisfagan a todo el grupo. Este trabajo tiene como objetivo analizar el método post‐hoc de explicabilidad en un escenario de recomendación en grupo. Para llevar a cabo la evaluación de este método, se realizaron los experimentos off-line utilizando los conjuntos de datos “Movielens-100k”, formado grupos de 3, 4 y 5 integrantes que hubiesen visto al menos 3 películas en común, donde un usuario no puede pertenecer a más de un grupo. A su vez, se utilizaron los algoritmos de recomendación de filtrado colaborativo ítem‐ítem basada en vecindario (kNN) y recomendación basada en factorización matricial (SVD), para generar recomendaciones individuales y luego sus explicaciones mediante reglas de asociación. Los resultados obtenidos demuestran que la fidelidad del modelo grupal utilizando SVD o kNN son muy similares. Así mismo desde la perspectiva individual versus grupal, arroja mejores resultados la experimentación grupal.