UNIVERSIDAD POLITCNICA DE VALENCIA

MSTER EN INTELIGENCIA ARTIFICAL, RECONOCIMIENTO DE FORMAS E IMAGEN DIGITAL

Sistemas Recomendadores en Redes Sociales

David Calabuig Lpez Ana Virginia Ruescas Nicolau

16 de Octubre de 2013

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

NDICE GENERAL
1.- Introduccin ........................................................................................................ 2 2.- Estado del arte..................................................................................................... 4 2.1 Redes sociales y uso actual para la recomendacin ............................................... 5 2.2 Mejoras que se derivan de las redes sociales en los sistemas recomendadores ... 7 2.3 Grupos .................................................................................................................... 8 3.- Ejemplo de redes sociales con Sistemas de Recomendacin ................................ 11 3.1 Sistemas de Recomendacin en las redes sociales............................................... 11 3.1.1 Facebook ........................................................................................................ 11 3.1.2 Twitter............................................................................................................ 13 3.2 Sistemas de Recomendacin en grupos de redes sociales ................................... 14 3.2.1 Facebook ........................................................................................................ 14 3.2.2 TripApvisor ..................................................................................................... 15 3.2.3 Personalidad .................................................................................................. 15 3.2.4 LinkedIn.......................................................................................................... 16 4.- Trabajos futuros ................................................................................................. 20 5.- Conclusiones...................................................................................................... 22 6.- Bibliografa ........................................................................................................ 25

16 de Octubre de 2013

Pg. 1 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

1.- Introduccin
Los sistemas recomendadores son un tipo especfico de filtrado de informacin que intenta recomendar artculos (pelculas, programas de TV, vdeos, msica, libros, noticias, imgenes, pginas web, publicaciones cientficas, trabajos de investigacin, etc.) o elementos sociales (personas, eventos o grupos) que pueden ser de inters para un usuario. stos surgen como respuesta a la sobrecarga de informacin presente en numerosos dominios, que dificulta a los usuarios identificar los que son realmente relevantes para ellos. Estas herramientas ofrecen sugerencias personalizadas, seleccionando, de entre la gran cantidad de opciones disponibles, aquellos productos que mejor encajan con las preferencias de cada usuario. Para ello, las diferentes estrategias de personalizacin que emplean estos sistemas se basan en la informacin que recopilan en perfiles personales. Habitualmente, en un sistema de recomendacin se compara un perfil de usuario con algunas de las caractersticas del artculo y se trata de predecir la preferencia (rating) que dicho usuario tendr por un determinado artculo que todava no haba considerado. Es por este motivo que la creacin y actualizacin de dichos perfiles son tareas clave en cualquier sistema recomendador, ya que de ellos depende directamente la calidad de las sugerencias ofrecidas. Sin embargo, la obtencin de informacin acerca de los intereses de los usuarios se ve limitada a la que stos proporcionan a travs de su interaccin con el sistema, bien explcitamente (mediante valoraciones cuantitativas o cualitativas de productos), bien implcitamente (por ejemplo, en una plataforma web de comercio electrnico, sus historiales de compra). Adems, en funcin de las caractersticas de los artculos con las que se comparan los perfiles de usuario para poder realizar la recomendacin, nos podemos encontrar con otros problemas aadidos. Dichas caractersticas pueden ser las del contenido (enfoque basado en el contenido) o las del entorno social del usuario (mtodo de filtrado colaborativo), aunque en la actualidad quedan en medio un cada vez ms amplio espectro de mtodos hbridos que tratan de combinar creativamente elementos de ambos. Los sistemas de filtraje cooperativo se basan en la extraccin de informacin de los iguales (pares, aliados, amigos) a los usuarios objeto de la recomendacin, generalmente a partir de las similitudes entre sus perfiles. Siguen teniendo problemas con la situacin del recin llegado (cuyo perfil puede contener insuficiente informacin sobre sus gustos y preferencias) y con la inevitable escasez de usuarios en la fase de construccin de la comunidad, cuando todava no se ha alcanzado la masa crtica necesaria.
16 de Octubre de 2013 Pg. 2 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Los sistemas basados en contenido utilizan mtodos de anlisis basados en texto, con grandes limitaciones en sus procedimientos para la extraccin automtica de metadatos, puesto que requiere que los tems estn etiquetados con sus caractersticas. Adems, tienen problemas con el usuario nuevo, es decir, con la situacin que se produce cuando el sistema no acumula puntuaciones suficientes (provenientes de la retroalimentacin de otros usuarios) para emitir recomendaciones sobre tems relevantes para el recin llegado. Todos estos obstculos que encuentran los sistemas recomendadores para poder realizar su labor correctamente, son objeto de estudio en la actualidad y han encontrado soluciones en las redes sociales. En el punto que sigue se estudiar con mayor detenimiento el estado actual de la tecnologa de los sistemas recomendadores y cmo se han logrado salvar los inconvenientes de los que se ha hablado anteriormente. A continuacin se presentarn ejemplos de cmo se han integrado los Sistemas de Recomendacin con las redes sociales, como por ejemplo, Twitter y Facebook. Finalmente se concluir el trabajo haciendo una recopilacin de los contenidos ms importantes y describiendo brevemente los trabajos futuros en este rea.

16 de Octubre de 2013

Pg. 3 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

2.- Estado del arte

La concepcin original de la Web como una red de personas ha terminado concretndose con el fenmeno de la red 2.0, o Web Social. Hoy en da, cualquier ecosistema online se basa en comunidades o redes sociales, las cuales se han convertido ms en modelos organizativos que en simples servicios online. Las redes sociales son comunidades online de personas, organizaciones o entidades sociales que estn conectadas por un conjunto de relaciones sociales (amistad, trabajo, intercambio de informacin, etc.) en muy diferentes contextos (entretenimiento, trabajo, negocios, religin, etc.) Segn Fernando Sez-Vacas (2004), estamos inmersos en un Nuevo entorno tecnosocial (NET) que es complejo y que surge y se ve afectado por el desarrollo de la red universal digital, que define como un conjunto heterogneo en plena evolucin compuesto por mltiples y diferentes redes (), cada da ms digitales e interoperables y que van mucho ms all de lo que se conoce como internet. En este entorno es donde han surgido los Sistemas de Recomendacin de artculos (pelculas, programas de TV, libros, msica, etc.) o elementos sociales (personas, eventos, grupos, etc.) que pueden resultar de inters para un usuario o un grupo de usuarios. El problema terico de la recomendacin, como se ha comentado anteriormente, se ha reducido tradicionalmente a la clasificacin de los artculos objeto de la misma, y consiste en la bsqueda del mejor sistema de correspondencia entre esos artculos y los usuarios, en el sentido de su clasificacin por parte de stos y de las similitudes entre los propios usuarios, dejando de lado la influencia social en la recomendacin. Sin embargo, en este NET hay evidencias que convergen hacia una reformulacin del problema de la recomendacin del que se ha hablado anteriormente. Las redes sociales permiten la socializacin de individuos con sus iguales y su consiguiente generacin de grandes cantidades de informacin. De hecho, la relacin con los otros juega un papel muy importante. Por ejemplo, si quieres comprar un producto o ver una pelcula, habitualmente se pregunta a los amigos. ste es el motivo por el cual se debe abordar el problema de la recomendacin desde la ptica de las redes sociales con el objetivo de centrarse ms en la informacin que se extrae de las conexiones sociales de los usuarios y de las redes que en la informacin proveniente de las propias piezas de contenido.

16 de Octubre de 2013

Pg. 4 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

2.1 Redes sociales y uso actual para la recomendacin

En la vida cotidiana, nos basamos en las recomendaciones de otros conocidos para elegir los mejores productos para comprar. Hoy en da las personas dependen de Internet para tomar sus decisiones. Internet por s sola no podra proporcionar a los usuarios sugerencias suficientes para sus necesidades, ya que contiene muchos productos y servicios. As que las redes sociales se convierten en piezas fundamentales para la generacin de recomendaciones, como la integracin de los Sistemas de Recomendacin en las redes sociales que proporcionarn nuevos aspectos y observaciones que no se pueden lograr mediante el uso de recomendantes tradicionales. Actualmente, el esquema de uso pertinente en redes sociales es:

Una persona da explcitamente una recomendacin a otras.

Se da una recomendacin a una persona o un grupo haciendo uso de los datos de otros usuarios de la red social.

16 de Octubre de 2013

Pg. 5 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Un servicio web da una recomendacin al usuario usando los datos de la red social (Integracin de Sistemas de Recomendacin con redes sociales). Nos podemos encontrar con diferentes enfoques en cmo interactan las redes sociales y los sistemas de recomendacin. o Inclusin de los Sistemas de Recomendacin dentro de la propia red social: anuncios, sugerencias de contactos, etc. La recomendacin se realiza dentro de la propia red social. El esquema bsico que esto sigue es: Sistemas de Recomendacin Red social Recomendacin Ej. facebook.com

o Uso de la informacin proveniente de las redes sociales para mejorar la recomendacin. Un servicio externo a la red social hace uso de la informacin de sta ltima (la comparte) para adecuar y mejorar la recomendacin. Red social Sistemas de Recomendacin Recomendacin Ej. coquetame.com

16 de Octubre de 2013

Pg. 6 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

2.2 Mejoras que se derivan de las redes sociales en los sistemas recomendadores
La obtencin de informacin sobre el usuario y sobre los tems en las redes sociales es mucho mayor y el coste es menor. Los aspectos que hacen a las redes sociales interesantes para los Sistemas de Recomendacin se pueden ver a continuacin. Perfil del usuario: los usuarios no son reticentes a definir su perfil y generalmente aportan mucha informacin sobre ellos mismos. En la Web 2.0 los usuarios han dejado de ser meros consumidores de informacin para convertirse a su vez en productores y difusores. Millones de personas dedican un gran nmero de horas a diversos medios sociales (blogs, redes sociales, foros especializados, etc.), interactuando y compartiendo informacin en lnea del mismo modo que lo hacen en el mundo real. De ah su gran potencial como fuente de conocimiento para los sistemas recomendadores. Adems, con la informacin que un usuario de redes sociales suele tener en su perfil, se puede realizar una inicializacin del modelo del usuario, ya que cuando dos personas son amigos en las redes sociales, se puede inferir que comparten el mismo inters y as se puede evitar el problema del arranque fro del usuario. Preferencias del usuario: permite obtener gran cantidad de informacin sobre sus gustos. Uno de los mayores retos perseguidos actualmente es el anlisis de la gran cantidad de datos disponible en los medios sociales. Las publicaciones de los usuarios a menudo reflejan sus intereses, por lo que su procesado permitir incorporar nuevas preferencias a sus perfiles sin requerir la interaccin del usuario con el sistema. Al integrar los Sistemas de Recomendacin con las redes sociales, el sistema de recomendacin es capaz de recomendar productos a los usuarios, incluso si no los han evaluado. Esto sucede en base a las preferencias de los amigos del usuario y mejora la recomendacin para artculos no clasificados. Red de contactos establecida que se organizan alrededor de personas y no alrededor de intereses: Las diversas conexiones establecidas entre los usuarios en los medios sociales puede extraerse gran cantidad de informacin til para enriquecer el proceso de recomendacin.

16 de Octubre de 2013

Pg. 7 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

El nmero, frecuencia de visitas y el tiempo de permanencia de los usuarios en las redes sociales es muchsimo mayor que el de las aplicaciones web comerciales.

2.3 Grupos
La interaccin social en grupos se realiza de manera natural en las redes sociales. Por ejemplo, en Facebook se pueden definir grupos de amigos que se suponen tienen caractersticas comunes, como se ver ms adelante. Esta interaccin es positiva en el sentido en que se evita a los usuarios tener que introducir la informacin del grupo en la web y adems permite disponer de ms informacin, tanto a nivel individual como de grupo. Lamentablemente son poco los estudios realizados para Sistemas de Recomendacin para Grupos en redes sociales. A continuacin hablaremos de dos experiencias interesantes: Collabio y Group Recommendation System for Facebook.

16 de Octubre de 2013

Pg. 8 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Collabio es una aplicacin de Facebook donde un grupo de personas etiquetan a una persona con palabras que las definen, dichos etiquetados se agregan a una nube de palabras, al principio ocultando las letras de la palabra con imgenes (), el resto de personas pueden ganar puntos adivinando dichas etiquetas (cuando se adivina la etiqueta se muestra en la nube) o proporcionando nuevas etiquetas (que definen a la persona) que se aaden a la nube de etiquetas (el tamao de la palabra es ms grande cuantas ms personas piensan que la palabra etiqueta correctamente a la persona, y los puntos obtenidos por las personas que descubren las etiquetas es mayor cuanto ms grande es la palabra). En el estudio las personas encuestadas afirman que las etiquetas de las nubes les definen correctamente, y que existen etiquetas que si bien ellos creen que no los definen, coinciden en que son apreciaciones que los dems suelen tener sobre ellos. La aplicacin mantiene marcadores de puntuacin a nivel local y global, y el estudio muestra que la motivacin social de los participantes evita los problemas de las inconsistencias, falsedades o malos usos en las valoraciones de los usuarios. Resulta atractiva la forma de agregacin de etiquetas, ideas u opiniones de un grupo de personas en forma de nube, y se podra usar para mostrar una agregacin de recomendaciones. Dar puntos por valorar recomendaciones, o por ser flexible para llegar a un acuerdo final tambin puede ser interesante.

16 de Octubre de 2013

Pg. 9 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

En el estudio Group Recommendation System for Facebook se realizan recomendaciones de grupos a personas en funcin del perfil de la persona. Es decir en funcin del perfil individual de una persona se le recomienda un grupo, teniendo en cuenta el perfil del grupo recomendado. Dicho perfil de grupo se obtiene a partir de los perfiles de las personas que son miembros de dicho grupo, para ello se realiza un clustering jerrquico de dichos perfiles donde se eliminan las caractersticas de los usuarios que no son relevantes para la mayora del grupo. Posteriormente para recomendar un grupo a un individuo utilizan un rbol de decisin para a partir de las caractersticas del perfil del individuo recomendarle un grupo. Realizaron el estudio en la red de Facebook de la Universidad del Norte de Texas de Estados Unidos, a partir de los datos de 1580 usuarios y 17 grupos de intereses comunes existentes en dicha red. En sus conclusiones muestran que el sistema tiene una precisin en sus recomendaciones del 64%, y del 73% (aumento del 9%) despus de eliminar el ruido de las caractersticas de usuarios no relevantes en un grupo.

16 de Octubre de 2013

Pg. 10 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

3.- Ejemplo de redes sociales con Sistemas de Recomendacin

En los ltimos aos han surgido un gran nmero de redes sociales para que las personas se comuniquen con sus amigos o compaeros de trabajo. Las redes sociales ms populares son Facebook y Twitter. En dichos sitios los usuarios pueden aadir amigos, compartir con ellos mensajes, emails, fotografas y realizar actividades con sus amigos como chatear o jugar con ellos usando determinadas aplicaciones. El aumento del nmero de personas que utilizan las redes sociales ha sido espectacular, en 1997 solo en Estados Unidos existan 57 millones de usuarios. Un ao despus en 2008 existan ya 690 millones de usuarios en todo el mundo. Actualmente la red social Facebook cuenta con ms 1.000 millones de usuarios.

3.1 Sistemas de Recomendacin en las redes sociales

Uno del uso de los Sistemas de Recomendacin en las redes sociales es el uso para adecuar anuncios a los diferentes usuarios segn sus intereses, tambin sugerir de posibles amigos.

3.1.1 Facebook
Facebook surgi en Estados Unidos como una red social dirigida al mbito universitario, actualmente es la principal red social y ha alcanzado un mbito mundial. Su crecimiento ha sido increble, en 2007 tena 9 millones de usuarios, en 2008 200 millones, y en octubre de 2012 Facebook lleg a los 1.000 millones de usuarios. Adems lo que resulta realmente importante es que sus usuarios se han acostumbrado a utilizar la red social de forma habitual y casi diaria. El 50% de sus usuarios entran en Facebook de forma diaria. Adems segn Facebook, un usuario medio tiene 130 amigos, es miembro de 12 grupos, pasa 5 minutos al da en Facebook, y al mes: recibe 8 solicitudes de amistad, declara que le gusta un contenido 9 veces, escribe unos 25 comentarios sobre contenidos de Facebook, se declara fan de 2 pginas de productos al mes, y recibe 3 invitaciones de eventos.

16 de Octubre de 2013

Pg. 11 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

La motivacin social hace que los usuarios de Facebook muestren un gran nmero de informacin en sus perfiles, edad, estudios, trabajo, situacin sentimental, preferencias sexuales y polticas, a cerca de sus gustos: libros, pelculas, canciones, pases preferidos. Con la informacin que un usuario de Facebook suele tener en su perfil, se puede realizar una inicializacin del modelado del usuario, evitando el problema del arranque en fro del usuario para los sistemas de recomendacin. Esta informacin la utiliza Facebook para publicar los anuncios en el perfil de los usuarios para as tener un filtro ptimo de cara a los anuncios que muestra a casa usuario (ver Imagen 1).

Imagen 1. Ejemplo de anuncio en Facebook.

16 de Octubre de 2013

Pg. 12 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Otro punto de un sistema de recomendacin es el que utiliza Facebook para sugerir personas que posiblemente conozcas (ver Imagen 2)

Imagen 2. Ejemplo de Personas que quiz conozcas.

3.1.2 Twitter
En cuanto a los Sistemas de Recomendacin en Twitter, una de las primeras tcnicas utilizadas, como en Facebook, fue como tratar de recomendar a un usuario una serie de cuentas a las que seguir. Al principio, Twitter se limitaba a proponer una breve lista de usuarios que recomendaba a todas las nuevas cuentas que llegaban a la red. Despus, empez a segmentarlas por pas o idioma, y slo un tiempo despus, comenz a introducir otros algoritmos ms complejos, como el filtrado colaborativo en funcin de las cuentas ms seguidas por aquellos a los que ya seguas, etc.

16 de Octubre de 2013

Pg. 13 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Imagen 3. Ejemplo de Personas para seguir.

3.2 Sistemas de Recomendacin en grupos de redes sociales

Otra forma de usar Sistemas de Recomendacin es usndolos en los grupos de las redes sociales; es decir utilizar la informacin de los grupos en las redes sociales para mejorar la recomendacin.

3.2.1 Facebook

Para solucionar el arranque de los Sistemas de Recomendacin en Facebook estn las page fan o grupos; es decir se utilizan las declaraciones de las personas que se han hecho fans de un producto o se han unido a un grupo con inters en el producto o la actividad. Vamos a ver diferentes aplicaciones en Facebook de Sistemas de Recomendacin en grupos de redes sociales.

16 de Octubre de 2013

Pg. 14 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

3.2.2 TripApvisor

Esta aplicacin permite sealar en un pequeo mapa del mundo las ciudades en las que hemos estado. El mapa se muestra en nuestra pgina de Facebook, y sirve para que nuestros amigos puedan ver rpidamente los viajes que hemos hecho. Para marcar los viajes en el mapa solamente tenemos que seleccionar primero el pas y luego la ciudad en unas listas desplegables. A continuacin la ciudad que hemos seleccionado aparecer marcada con un pequeo crculo azul en el mapa. Tambin podemos indicar entre todos los viajes realizados cuales son los tres viajes que ms nos han gustado. Esta valoracin sirve para orientar a nuestros amigos. Y la aplicacin la utiliza adems para mostrarnos cuales son los tres destinos de viaje ms apreciados por nuestros amigos de Facebook que han usado esta aplicacin y han reflejado sus preferencias de viaje.

3.2.3 Personalidad
Esta aplicacin ofrece una gran variedad de tests de personalidad. Los tests suelen ser bastante divertidos y amenos de realizar. Como por ejemplo: Qu sabor de helado eres? O a que personaje de una serie de dibujos animados te pareces? El test suele constar de unas 10 a 15 preguntas bastante sencillas de cumplimentar. El orden de las preguntas del test es aleatorio para evitar la monotona en el caso que se vuelva a realizar. Se ofrece una imagen y una breve y concisa descripcin de la personalidad resultante. La originalidad de esta aplicacin es que permite buscar y contactar a personas que han realizado el mismo test y que han obtenido resultados similares a los nuestros. Tambin podemos ver el grado de similitud de personalidad que tenemos con el resto de usuarios de la aplicacin. El inconveniente que presentan es que no hacen ninguna mencin ni al temperamento ni al estado de nimo de los usuarios.

16 de Octubre de 2013

Pg. 15 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Imagen 4. Ejemplo en el que se el resultado del test y los perfiles de usuarios que han realizado el test con el mismo resultado en la aplicacin Personality.

3.2.4 LinkedIn

LinkedIn se est convirtiendo en una de las herramientas ms usadas por miles de candidatos que buscan empleo. Esta red cuenta en Espaa con 4,75 millones de registrados, entre ellos, directivos, empresarios y profesionales de la seleccin de personal, que la utilizan en sus procesos de bsqueda. LinkedIn empez hace un tiempo con una fase beta el apartado de skills. El usuario poda poner en su perfil las especialidades que dominaba, ya fueran amateur o profesional con sus habilidades o conocimientos. Estas habilidades estn todas definidas en ingls, eliminando la confusin idiomtica. En cada Skill se puede ver qu otras reas estn relacionadas, qu amigos trabajan en ella y su crecimiento dentro de la red social, creando lneas de conexin vertical por especialidad.

16 de Octubre de 2013

Pg. 16 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Imagen 5. Ejemplo del crecimiento exponencial de profesionales del personal branding. Aqu LinkedIn ya pens en el siguiente paso, utilizar estas habilidades o conocimientos como sistema de recomendacin, que funcionan de la siguiente manera: La herramienta te solicita que apruebes o no una habilidad que un contacto tuyo tiene en su perfil, incluso te sugiere algunas en funcin de las palabras clave que su perfil contiene. Al ser un acto totalmente intuitivo y descargado de un exceso de afectividad, invita con un simple click a refrendar las habilidades profesionales de los usuarios de LinkedIn. Como ya se hace en productos y servicios, el conjunto de opiniones ayuda a definir la calidad y fiabilidad de las personas. Puede intuirse que aquel que tenga ms de 10 personas afirmando su conocimiento en un rea, algo debe saber de ella. Y como efecto aadido, el sujeto objeto de la recomendacin, consigue visualizar su reputacin profesional.

16 de Octubre de 2013

Pg. 17 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Imagen 6. Ejemplo de habilidades de un usuario. Pensar en hacer un estudio de mercado cualitativo para medir la reputacin personal es casi impensable, pero LinkedIn lo ha hecho posible simplemente dando a las personas la capacidad de confirmar estas skills. Como ejemplo tenemos el pantallazo de la Imagen 6, claramente vemos que el posicionamiento est fuertemente asociado a Personal Branding, Identidad On Line, Blogging y Career Assessment y menos a RRHH. Vemos que gracias a LinkedIn sabemos que el pblico objetivo del usuario le relaciona mucho ms con la actividad de personal branding y blogging. A partir de ah, y dependiendo de los objetivos del usuario, se podra tomar la determinacin de seguir potenciando ese posicionamiento o intentar migrarlo a otra rea. As que cuando LinkedIn te pregunte si quieres recomendar a tus perfiles sugirindote algunas habilidades, dedica unos minutos a sealar las que s te parecen adecuadas y descartar las que no. Con ello ayudars a esa persona y a su pblico objetivo a reconocer las habilidades en las que se le posiciona. Gracias a estas habilidades o conocimientos LinkedIn personaliza los anuncios a cada usuario como hacen otras redes sociales como Facebook y Twitter (ver Imagen 7).

16 de Octubre de 2013

Pg. 18 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Imagen 7. Ejemplo de anuncios en LinkedIn.

Gracias a la gran cantidad de usuarios de LinkedIn as como su publicidad, esta red social profesional parece gozar de una salud econmica envidiable. La compaa ha publicado el volumen de negocios, el cual ha subido un 72% situndose en 325 millones de Dlares. De estos 325 millones, han quedado 23 millones de dlares de puros beneficios, lo cual quintuplica la cifra del mismo periodo del ao pasado.

16 de Octubre de 2013

Pg. 19 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

4.- Trabajos futuros

Los Sistemas de Recomendacin tienen futuro brillante, especialmente cuando se combinan con las redes sociales. Estas redes sociales pueden proporcionar informacin en tiempo real, las relaciones y las conexiones entre los diferentes usuarios de la red, mejorando Sistemas de Recomendacin y elevndolos a un nuevo nivel. Entre los avances ms recientes se incluye una mejor comprensin de los usuarios y de los tems a recomendar, pertenecientes al mbito social, y la incorporacin de informacin contextual como la clasificacin multicriterio o nuevas tcnicas de recomendacin ms flexibles y menos intrusivas. En el mbito social, sigue existiendo una necesidad de estudiar estas redes sociales para comprender mejor las relaciones entre los diferentes usuarios y poder obtener los perfiles lo ms completos posibles. Ahondar en el estudio de las redes sociales, proporcionar un mtodo para equilibrar las clasificaciones y puntuaciones obtenidas mediante la interaccin del usuario con el tem y a partir de una realimentacin explcita, persiguiendo reducir el nivel de intrusividad en el proceso de la recomendacin. Tambin ayudar a conocer los criterios imperantes para un usuario en mtodos de clasificacin multicriterio, que se plantean como ms eficaces que los que se han desarrollado hasta el da de hoy. Los Sistemas de Recomendacin se utilizan actualmente en muchas empresas y persiguen tener un mayor compromiso con los usuarios, personalizando su experiencia y por lo tanto, obteniendo los mayores beneficios financieros. Estos Sistemas de Recomendacin tendrn importancia potencial en el futuro y se prev su utilizacin en mbitos como: los motores que identifican el contenido de Internet, generando una nueva rea en la que los Sistemas de Recomendacin proliferarn. la industria del entretenimiento en el que todo se trasladar a la demanda, y la industria de la publicidad: El CEO de Google, Larry Page, se reuni a finales de agosto de este ao con una delegacin de directivos de la NFL para pensar como personalizar los anuncios en internet cuando un usuario este viendo un partido online de la NFL. La publicidad que puede verse en los videos de YouTube son completamente aleatorios, aqu nos preguntamos Qu podra hacer Google con contenidos y espacios publicitarios si aplicase las tecnologas de personalizacin y gestin
16 de Octubre de 2013 Pg. 20 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

que lleva muchos aos mejorando en la web? Cunto estaran dispuestos a pagar los anunciantes por un nivel ms elevado de calidad y por un abanico diferente de posibilidades vinculadas a esos impactos? Google definitivamente tendra la posibilidad de dar un golpe de mano importante al mercado de la publicidad en sus redes sociales, ya sea Google+ o YouTube. Donde sus anuncios en los videos serian completamente personalizados a cada usuario.

16 de Octubre de 2013

Pg. 21 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

5.- Conclusiones
Se han realizado numerosas investigaciones en el campo de los Sistemas de Recomendacin que han contribuido a la mejora de estos sistemas para producir resultados precisos de recomendacin. Las redes sociales y las comunidades virtuales, con su capacidad de proporcionar los perfiles de usuario y las relaciones entre los usuarios, agregan una nueva forma de realizar recomendaciones. Los Sistemas de Recomendacin estn presentes en muchas aplicaciones industriales y empresas como Amazon y MovieLens. De manera habitual, las tcnicas ms empleadas para las recomendaciones se pueden clasificar de la siguiente manera: recomendaciones basadas en el contenido, recomendaciones colaborativas y recomendaciones hbridos. No obstante, existen limitaciones en las recomendaciones basadas en el contenido y colaborativas. Las tcnicas de recomendaciones hbridas se utilizan para tratar de paliar los problemas de los enfoques de tcnicas colaborativas y basadas en el contenido, como el nuevo usuario y nuevos problemas del artculo. Actualmente, los Sistemas de Recomendacin de la vida real son muy complejos y por lo tanto necesitan tcnicas avanzadas que se pueden tener en cuenta muchos factores en el proceso de recomendacin. Esto lleva a la necesidad de desarrollar Sistemas de Recomendacin ms avanzadas que pueden satisfacer a los clientes, proporcionando recomendacin precisa sobre la base de las diferentes preferencias de los usuarios. En este lnea, hoy en da ha cobrado una gran importancia la integracin de los Sistemas de Recomendacin en las redes sociales y las diferentes investigaciones realizadas en este campo van orientadas a seguir mejorando y evitando los problemas derivados de las tcnicas de recomendacin clsicas. De esta manera las redes sociales han permitido que los Sistemas de Recomendacin actuales presentes diferentes ventajas para todos los agentes implicados en los procesos de recomendacin.

16 de Octubre de 2013

Pg. 22 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Particularmente se pueden encontrar bondades: Para los usuarios o Evitan que el usuario tenga que introducir datos en su perfil: gran cantidad de informacin disponible sobre el usuario y ahorro de tiempo empleado en la introduccin de datos personales y preferencias en cada aplicacin web. o Los usuarios reciben una recomendacin ms precisa que de los Sistemas de Recomendacin que utilizan. Para el Sistema de Recomendacin o Evitan el problema del usuario nuevo o Ahorro del tiempo y esfuerzo de desarrollo necesario para que el sistema gestiones las preferencias de los usuarios individuales, y proporcione formas de comunicacin grupales para las decisiones de grupo. o Similitud de los usuarios: no es necesario encontrar usuarios similares al actual porque esa informacin ya la tiene el propio usuario (sus redes), esto es especialmente importante en Sistemas de Recomendacin colaborativos. o Incrementan la precisin de la recomendacin (ms y mejor informacin, mejor recomendacin): para calcular el ratio asociado a un tem se tiene gran cantidad de informacin adicional. Para los servicios web (negocios) o Las recomendaciones pueden llegar a un nmero de personas muchsimo mayor. o La informacin sobre los amigos de una persona puede hacerle aumentar los usuarios del sistema. o Recomendacin ms precisa. o El nmero, frecuencia de visitas y el tiempo de permanencia de los usuarios en las redes sociales es muchsimo mayor que el de las aplicaciones web comerciales.

16 de Octubre de 2013

Pg. 23 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

Para la red social o Si se incluyen Sistemas de Recomendacin dentro de la red social se ofrecen ms servicios a los usuarios. o Mejoran los servicios ofrecidos a sus usuarios.

Por ltimo, comentar que an quedan mbitos de investigacin que proporcionarn Sistemas Recomendadores ms robustos y verstiles, como son las influencias de las redes sociales para Sistemas de Recomendacin para grupos, recomendacin flexible y personalizacin, como se ha comentado en el apartado de Trabajos futuros.

16 de Octubre de 2013

Pg. 24 de 26

SIRAD Mster IARFID DSIC ______________________________________________________________________________________________

6.- Bibliografa
[1] Blog de Enrique Dans. [Online] http://www.enriquedans.com/ Presente y futuro de los sistemas recomendadores en la web 2.0 Pascual-Miguel, Flix; Chaparro-Pelez, Julin; Fumero-Revern, Antonio. El profesional de la informacin, 2011, noviembre-diciembre, v. 20, n. 6, pp. 645-651. http://dx.doi.org/10.3145/epi.2011.nov.07 Content-based Recommender Systems: State of the Art and Trends Pasquale Lops, Marco de Gemmis and Giovanni Semeraro. Department of Computer Science, University of Bari Aldo Moro Proactividad y contextualizacin: futuro del diseo de sistemas recomendadores Gallego-Vico-Daniel; Fumero-Revern, Antonio; Huecas-Fernndez-Toribio, Gabriel (2013). El profesional de la informacin, enero-febrero, v. 21, n.1, pp.19-25. http://dx.doi.org/10.3145/epi.2013.ene.03 GRADIANT (Centro Tecnolgico de Telecomunicaciones de Galicia) http://www.gradiant.org/es/actualidad/noticias/727-sisitemasrecomendadores-en-la-web-20.html SOCIAL-BASED RECOMMENDER SYSTEMS http://systems.cs.colorado.edu/research/social-networks/social-basedrecommender-systems/ Tcnicas para la integracin de recomendaciones en Facebook lvarez Arrieta, Felipe Pablo Tesina Final de Mster en Investigacin en Informtica Facultad de Informtica UCM

[2]

[3]

[4]

[5]

[6]

[7]

16 de Octubre de 2013

Pg. 25 de 26