Sistemas de recomendación flexibles dependientes de usuario

Abstract

Recommender systems are ubiquitous in today’s technological landscape, integral to various services. Their prevalence is driven by the massive flow of information on the internet, and without effective filtering, user experiences would suffer. As powerful tools, recommender systems facilitate optimal interaction with the digital world by extracting relevant information tailored to individual needs. Despite their widespread use, recommender systems are also commercial tools, prompting extensive research in recommendation techniques and algorithms. This fast-paced research area holds the potential for significant impacts on our lives, raising concerns about their influence on both physical and psychological aspects. In the academic domain, recommender systems serve diverse applications, with a primary focus on assisting users in media service selection or product choices in e-commerce. The evolution of these systems, fueled by advances like neural networks, expanded their applicability beyond traditional domains to areas such as news and e-learning. Despite advancements, challenges persist in effectively applying recommender systems, particularly in complex scenarios influenced by contextual factors and diverse objectives. The need for personalized recommendations, considering multiple items, their order, and additional contextual factors like health considerations and expert opinions, presents an intriguing problem lacking a clear resolution strategy. This thesis aims to address these complex recommendation scenarios by developing new methodologies and software tools. The combination of various elements, textual features, expert sources, and user preferences forms the forefront of this recommendation problem, requiring innovative solutions. With this purpose, we propose an initial approach to recommendation systems in complex environments, highlighting the differences between them and their potential applications in a novel classification. In this classification, we emphasize the source of complexity in various scenarios by collecting studies that have explored these environments. Once this classification is completed, we proceed to present our approach to the problem. In our case, it involves a dual approach: firstly, we use those strong constraints to obtain combinations of items that can be recommendations. These solutions are created through a genetic algorithm that evaluates different designated constraints to find multiple composite solutions. Furthermore, the stochastic nature of the system allows us not only to satisfy numerous constraints but also to have great diversity and adaptability. Once these initial solutions are obtained, in the second phase of our system, we refine our recommendation. This second phase typically focuses on user preferences, which are less restrictively profound than the previous ones and allow for greater variability. This approach is tested in the domains of nutrition and podcasts. The former is an application within the European project Stance4Health, utilizing the initial prototype of our system. In the podcast application, we offer a less strict type of recommendation than the first, allowing for greater enhancement in line with user preferences. The second system is configured as a Python package, enabling broader replicability and the use of our approach in various scenarios. Subsequently, our approach delves into understanding user interests from a psychological perspective in recommendations and identifies what is necessary for users to follow recommendations. This is particularly relevant in the case of health-based nutrition recommendations, as users may not notice an immediate beneficial effect from the system, but the long-term effects are positive. To that end, we conduct a theoretical study on parameters that increase user engagement and subsequently evaluate it in the health application Stance4Health. From the research done in this field, we find that justifications, by enhancing the explainability of the system, can make users perceive our recommendations as more useful and interesting. However, obtaining these justifications can be costly. To address this, we propose a supervised algorithm that filters documents from nutrition experts to build an evidence-based database, enabling nutritional justifications based on the evaluation of our recipe. Finally, we provide an estimate of the greenhouse gas emissions generated by our approach throughout the thesis, with data allowing estimation per individual execution.

Los sistemas de recomendación son omnipresentes en el panorama tecnológico actual, apareciendo en la mayoria de aplicaciones que usamos hoy en dia. Su prevalencia se debe a las enormes cantidades de información que se vierten a internet dia a dia y a como, sin un filtrado efectivo, la experiencia del usuario sería totalmente inoperativa. Los sistemas de recomendación facilitan la interacción óptima con el mundo digital al extraer información relevante de los elementos con los cuales interactuamos y facilitandonos el acceso a aquellos que es mas probable que nos interesen segun las necesidades individuales. A pesar de su uso generalizado, los sistemas de recomendación también son herramientas comerciales, lo que ha impulsado una amplia investigación en técnicas y algoritmos de recomendación. Esta área de investigación tiene el potencial de tener impactos significativos en nuestras vidas, generando preocupaciones sobre su influencia tanto en aspectos físicos como psicológicos. En el ámbito académico, los sistemas de recomendación tienen diversas aplicaciones, centrándose principalmente en ayudar a los usuarios en la selección de servicios o productos en comercio electrónico. La evolución de estos sistemas, impulsada por avances como las redes neuronales, amplió su aplicabilidad más allá de los dominios tradicionales a áreas como noticias y canciones o películas. A pesar de estos avances, aun hay desafíos en la aplicación efectiva de los sistemas de recomendación, especialmente en escenarios complejos influenciados por factores contextuales y objetivos diversos. La necesidad de recomendaciones personalizadas, considerando múltiples elementos, su orden y factores contextuales adicionales como consideraciones de salud y opiniones de expertos, plantea un problema intrigante que carece de una estrategia clara de resolución. Esta tesis tiene como objetivo abordar estos escenario de recomendacion denominados complejos mediante el desarrollo de nuevas metodlogias y herramientas de software. La combinación de varios elementos, características textuales, fuentes de expertos y preferencias del usuario constituye la vanguardia de este problema de recomendación, requiriendo soluciones innovadoras. Con este propósito, proponemos un enfoque inicial para sistemas de recomendación en entornos complejos, destacando las diferencias entre ellos y sus posibles aplicaciones en una clasificación novedosa. En esta clasificación, resaltamos la fuente de complejidad en diversos escenarios mediante la recopilación de estudios que han explorado estos entornos. Una vez completada esta clasificación, procedemos a presentar nuestro enfoque para el problema. En nuestro caso, implica un enfoque dual:primeramente utilizamos aquellas restricciones fuertes para obtener combinaciones de items que puedan ser recomendaciones. Estas soluciones se crean mediante un algoritmo genetico que evalua las diferentes restricciones designadas con el fin de encontrar multiples soluciones compuestas. Ademas, la estocasticidad del sistema nos permite no solo satisfacer numerosas restricciones, si no tener una gran diversidad y adaptabilidad. Una vez obtenidas estas soluciones iniciales, en la segunda fase de nuestro sistema, refinamos nuestra recomendación. Esta segunda fase se centra habitualmente en las prefrencias del usuario, que son de un menor calado restrictivo que las anteriores y admiten una mayor variabilidad . Este enfoque se prueba en los ámbitos de nutrición y podcasts. El primero es una aplicación dentro del proyecto europeo Stance4Health, utilizando el prototipo inicial de nuestro sistema. En la aplicación de podcasts, ofrecemos un tipo de recomendación menos estricta que la primera, permitiendo una mayor mejora en línea con las preferencias del usuario. El segundo sistema se configura a partir de un paquete de Python, permitiendo una replicabilidad más amplia y el uso de nuestro enfoque en diversos escenarios. Posteriormente, nuestro enfoque profundiza en comprender los intereses del usuario desde una perspectiva psicológica en las recomendaciones e identifica lo necesario para que los usuarios sigan las recomendaciones. Esto es particularmente relevante en el caso de las recomendaciones de nutrición basadas en la salud, ya que el usuario puede no notar un efecto beneficioso inmedito por el sistema, pero a la larga los efectos son positivos. Con ese fin, realizamos un estudio teórico sobre parámetros que aumentan la participación del usuario y posteriormente lo evaluamos en la aplicación de salud Stance4Health. A partir de la literatura, encontramos que las justificaciones, al mejorar la explicabilidad del sistema, pueden hacer que los usuarios perciban nuestras recomendaciones como más útiles e interesantes. Sin embargo, obtener estas justificaciones puede ser costoso. Para abordar esto, proponemos un algoritmo supervisado que filtra documentos de expertos en nutrición para construir una base de datos basada en evidencia, permitiendo justificaciones nutricionales basadas en la evaluación de nuestra receta. Finalmente, proporcionamos una estimación de las emisiones de gases de efecto invernadero generadas por nuestro enfoque a lo largo de toda la tesis, con datos que permiten la estimación por ejecución individual.