MAGReS : un enfoque para generar recomendaciones a grupos utilizando sistemas multiagente

• Autores: Villavicencio, Christian P.
• Año de publicación: 2018
• Idioma: español castellano
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: Díaz-Pace, Jorge Andrés; Schiaffino, Silvia
• Materia: Sistemas de Recomendación; Sistemas de recomendación grupales; SRG; Perfiles de usuario; MAGReS; Ciencias de la computación; Algoritmos; Sistema multiagente; Tesis de doctorado
• Institución: Universidad Nacional del Centro de la Provincia de Buenos Aires

Los Sistemas de Recomendación han sido utilizados para generar recomendaciones a individuos en múltiples dominios, tales como: comercio electrónico, educación, películas, turismo, música. Sin embargo, en algunos de estos dominios el sujeto al cual se le realiza la recomendación no es un individuo sino un grupo de sujetos. Esto ha motivado el surgimiento de los Sistemas de Recomendación Grupales (SRG), los cuales conociendo quiénes son los miembros del grupo y sus perfiles de usuario (que contienen información relativa a sus intereses y otros datos relevantes) apuntan a generar recomendaciones que satisfagan al grupo como un todo. Los enfoques de SRG más extendidos hacen uso de técnicas de agregación (por ejemplo, el promedio o la minimización de miseria) para estimar las preferencias grupales, el perfil grupal, o para generar una recomendación grupal mediante la combinación de recomendaciones generadas para cada miembro del grupo. A pesar de que los enfoques tradicionales han sido (y son) utilizados en muchos dominios, las limitaciones de las técnicas de agregación hacen que, en muchos casos, las recomendaciones generadas no logren satisfacer a todos los miembros del grupo de forma uniforme. Adicionalmente, muchas de esas técnicas de agregación no permiten modelar aspectos vinculados a los procesos de toma de decisiones de los grupos ni a características de cada individuo, lo que reduce el nivel de personalización de la recomendación generada. Por otro lado, son pocos los SRG que proveen explicaciones para sus recomendaciones, algo que es importante si se busca maximizar las chances de que los grupos acepten las recomendaciones que recibieron. Teniendo en cuenta que, cuando un grupo de personas debe elegir un ítem, sus miembros generalmente discuten y analizan las opciones disponibles con el objetivo de alcanzar un consenso, la hipótesis de trabajo es que un enfoque de recomendación que aplique una estrategia similar puede generar recomendaciones potencialmente mejores que las de los enfoques utilizados tradicionalmente. En torno a esta idea, en esta tesis se propone MAGReS, un enfoque que hace uso de un Sistema Multiagente (SMA) para generar recomendaciones a grupos y proveer explicaciones. En MAGReS, cada miembro del grupo es representado por un agente inteligente (parte del SMA) que conoce sus intereses y se comporta de acuerdo a un conjunto de configuraciones elegidas por su usuario. Los agentes participan en un proceso de negociación cooperativo en el cuál deciden acerca de qué ítem debe recomendarse al grupo, y en base a información capturada durante dicho proceso se construyen explicaciones para las recomendaciones generadas.Las recomendaciones generadas por MAGReS fueron evaluadas en dos dominios: películas y puntos de interés (POI), con resultados satisfactorios. En las evaluaciones se comparó a MAGReS contra enfoques tradicionales y se encontró evidencia de que las recomendaciones generadas por MAGReS superan a las de dichos enfoques puesto que satisfacen a los miembros del grupo no sólo en mayor grado sino que también más uniformemente. Las explicaciones, por otro lado, fueron evaluadas a través de un experimento con usuarios reales. En base a las observaciones realizadas en dicho experimento fue posible confirmar que las explicaciones generadas por MAGReS, a pesar de ser simples, son de utilidad para los usuarios puesto que ayudan a que tengan en cuenta recomendaciones al grupo que de otra forma hubiesen ignorado.
Fil: Villavicencio, Christian P. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Díaz-Pace, Jorge Andrés. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Schiaffino, Silvia. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.