Diseño e implementación de un sistema de recomendación híbrido basado en técnicas colaborativas, evolutivas y de contenido

José Luis Junior  Gutiérrez Agüero; Christian Daniel  von Lücken Martínez

Autores/as

José Luis Junior Gutiérrez Agüero Universidad Nacional de Asunción, Paraguay https://orcid.org/0009-0000-7484-3615
Christian Daniel von Lücken Martínez Universidad Nacional de Asunción, Paraguay https://orcid.org/0000-0002-2198-1237

Palabras clave:

sistema de recomendación, filtrado colaborativo, inicio frío, algoritmos evolutivos multiobjetivo

Resumen

Los sistemas de recomendación (SR) son herramientas computacionales que predicen qué ítems serán de interés para un usuario, y se encuentran presentes en múltiples lugares a lo largo de nuestra vida digital. Uno de los principales desafíos que enfrentan los SR es el problema del inicio frío, que surge cuando la falta de historial de interacciones impide generar recomendaciones confiables para nuevos usuarios o ítems. El presente trabajo presenta el diseño, implementación y evaluación de una extensión del algoritmo HP-MOEA (Hybrid Probabilistic Multiobjective Evolutionary Algorithm), aplicado al dominio de los sistemas de recomendación. El algoritmo original combina filtrado colaborativo basado en usuarios con algoritmos evolutivos multiobjetivo para mitigar este problema. La extensión propuesta incorpora un componente basado en contenido que pondera la función objetivo de novedad mediante perfiles de afinidad temática entre usuarios e ítems. Los resultados experimentales utilizando el dataset MovieLens ml-100k muestran que el algoritmo modificado mantiene un rendimiento competitivo en métricas de convergencia como la distancia generacional (GD) y su versión inversa (IGD), al tiempo que logra una mejora del 3.4 % en hipervolumen respecto al algoritmo original, estadísticamente significativa y consistente en todos los tamaños de población evaluados, reflejando una frontera de Pareto más amplia y soluciones mejor distribuidas. La propuesta demuestra que la integración de información de contenido en la función de novedad mejora la diversidad de soluciones sin sacrificar convergencia, ofreciendo un aporte concreto en el tratamiento del problema del inicio frío.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Aggarwal, Charu C. (2016). Recommender Systems: The Textbook. Cham, Switzerland: Springer. isbn: 978-3-319-29657-9. doi: 10.1007/978-3-319-29659-3. url: https://doi.org/10.1007/978-3-319-29659-3.

Beume, N., B. Naujoks y M. Emmerich (2007). «SMS-EMOA: Multiobjective selection based on dominated hypervolume». En: European Journal of Operational Research 181.3, págs. 1653-1669. doi:10.1016/j.ejor.2006.08.008.

Blank, J. y K. Deb (2020). «pymoo: Multi-Objective Optimization in Python». En: IEEE Access 8.

Cai, Xingjuan, Zhaoming Hu, Peng Zhao, WenSheng Zhang y Jinjun Chen (2020). «A hybrid recommendation system with many-objective evolutionary algorithm». En: Expert Systems with Applications 159. issn: 0957-4174. doi: https://doi.org/10.1016/j.eswa.2020.113648. url: https://www.sciencedirect.com/science/article/pii/S0957417420304723.

Cui, Z., P. Zhao, Z. Hu, Z. Cai, X. Zhang y W. Chen (2021). «An improved matrix factorization based model for many-objective optimization recommendation». En: Information Sciences 579. doi: https://doi.org/10.1016/j.ins.2021.07.077.

Deb, K., A. Pratap, S. Agarwal y T. Meyarivan (2002). «A fast and elitist multiobjective genetic algorithm: NSGA-II». En: IEEE Transactions on Evolutionary Computation 6.2.

Dong, Zhenhua, Zhe Wang, Jun Xu, Ruiming Tang y Jirong Wen (2022). «A Brief History of Recommender Systems». En: Proceedings of ACM Conference (Conference’17). Accepted by DLP-KDD 2022. ACM.

Harper, F. Maxwell y Joseph A. Konstan (dic. de 2015). «The MovieLens Datasets: History and Context». En: ACM Transactions on Interactive Intelligent Systems (TiiS) 5.4, 19:1-19:19. doi: 10.1145/2827872. url: http://dx.doi.org/10.1145/2827872.

Jain, Ankush, Pramod Kumar Singh y Dhar Joydip (2020). «Multi-objective item evaluation for diverse as well as novel item recommendations». En: Expert Systems with Applications 139. doi: 10.1016/j.eswa.2019.112857.

Koren, Y., R. Bell y C. Volinsky (oct. de 2009). «Matrix factorization techniques for recommender systems». En: Computer 42.8, págs. 30-37.

Kubat, M. (2015). An Introduction to Machine Learning. Springer. Cap. 13 The Genetic Algorithm.

Lika, Bleta, Kostas Kolomvatsos y Stavros Hadjiefthymiades (2014). «Facing the cold start problem in recommender systems». En: Expert Systems With Applications 41.4. doi: 10.1016/j.eswa.2013.09.005.

Wei, Guijin, Qinglong Wu y MengChu Zhou (2021). «A Hybrid Probabilistic Multiobjective Evolutionary Algorithm for Commercial Recommendation Systems». En: IEEE Transactions On Computational Social Systems 8.3. doi: 10.1109/tcss.2021.3055823.

Zuo, Y., M. Gong, J. Zeng, L. Ma y L. Jiao (2015). «Personalized recommendation based on evolutionary multi-objective optimization [research frontier]». En: IEEE Comput. Intell. Mag. 10.1.