Sistemas de recomendación y explicaciones basados en grafos de interacción

• Autores: Marta Caro Martínez
• Directores de la Tesis: Juan Antonio Recio García (dir. tes.) , Guillermo Jiménez Díaz (dir. tes.)
• Lectura: En la Universidad Complutense de Madrid ( España ) en 2022
• Idioma: español
• Número de páginas: 215
• Tribunal Calificador de la Tesis: Raquel Hervás Ballesteros (presid.) , Javier Arroyo Gallardo (secret.) , Albert Fornells Herrera (voc.) , Almudena Ruiz Iniesta (voc.) , María del Carmen Romero Ternero (voc.)
• Enlaces
  • Tesis en acceso abierto en: Docta Complutense
• Resumen
  • español

    En la sociedad actual, con la utilización de nuevas tecnologías en todos los ámbitos de nuestras vidas, el consumo en Internet ha avanzado a pasos agigantados. Los usuarios pueden encontrar infinidad de productos que consumir en cualquier ámbito, especialmente a través del comercio electrónico, las redes sociales y el entretenimiento en \emph{streaming}. Determinar qué productos son los más adecuados según sus necesidades y preferencias puede llegar a ser una tarea complicada debido a la amplitud de la oferta de productos que se pueden encontrar en estas plataformas. Los sistemas de recomendación surgen para resolver este problema, facilitando el proceso de búsqueda y de toma de decisiones. No obstante, cuando los usuarios no confían en el sistema, los sistemas de recomendación no son tan útiles como cabría esperar. Esto se produce debido a que no entienden cómo el sistema ha llegado a la conclusión de que un determinado producto es adecuado para ellos. Los sistemas de explicación en recomendadores ayudan a los usuarios a comprender el funcionamiento del recomendador y las causas de una determinada recomendación.

    Los sistemas de recomendación y explicación tradicionales utilizan el conocimiento de las valoraciones que realizan los usuarios o sobre descripciones que especifican distintos atributos de los productos. Sin embargo, no siempre es posible usar estas dos fuentes de conocimiento ya que existen situaciones en las que no se tiene esta información o bien no existe. En esta tesis doctoral se propone resolver este problema a través del estudio y uso de grafos de interacción para generar métodos de recomendación y métodos de explicación para recomendadores. Como consecuencia de esta investigación, en esta tesis doctoral se han obtenido cuatro resultados principales: un modelo conceptual para clasificar y definir sistemas de explicación en recomendadores, un método de visualización interactivo basado en grafos, un método de recomendación basado en grafos de interacción y un método de explicación para recomendadores que también hace uso de grafos de interacción. A diferencia de las técnicas tradicionales, estas dos últimas propuestas, sólo requieren la información sobre las interacciones entre los usuarios y los productos, información a la que siempre se puede acceder. Por tanto, utilizan una mínima cantidad de conocimiento, siendo capaces de generar recomendaciones y explicaciones en escenarios donde las técnicas tradicionales no pueden. Además de aumentar la precisión de las técnicas clásicas, los métodos propuestos en esta tesis aportan una interpretabilidad que no ofrecen las anteriores técnicas.

  • English

    Nowadays, with new technologies in all areas of our lives, Internet consumption has advanced quickly. Users can find an infinite number of products to consume in any field, especially through e-commerce, social networks and streaming entertainment. Determining which products are the most suitable according to their needs and preferencies can become a complicated tasd due to the breadth of product offerings that can be found on these platforms. Recommendation systems emerge to solve this problem, facilitating the search and decision-making process. However, when users do not trust the system, recommender systems are not as useful as one might expect because they do not understand how the sustems has concluded that a particular product in suitable for them...