Financial Management and Procurement

Una de las principales restricciones de los sistemas de recomendación es la dependencia que tienen del escenario de aplicación, ya que los algoritmos pueden dejar de ser válidos, o resultar poco operativos, en determinadas circunstancias, dependiendo tanto de los datos de entrada disponibles, como de la manera de recabarlos o de los requisitos computacionales. A continuación se presentan los elementos restrictivos de cara al modelado de las arquitecturas, que se pueden agrupar como restricciones debidas a la naturaleza del contenido, restricciones relacionadas con la adquisición de información del usuario, y restricciones asociadas a las características del sistema y su caso de uso.

a) Restricciones debidas a la naturaleza de los datos del contenido

Una restricción fundamental a la hora de elegir las técnicas más adecuadas para el diseño de un sistema de recomendación viene impuesta por los metadatos disponibles o que se pueden extraer de los ítems que forman el corpus de recomendación.

El supuesto de una ausencia total de metadatos del contenido nos llevaría a la reducción a un sistema genérico de recomendación, en el que los ítems únicamente son representados mediante un identificador. De esta forma, solamente se podrían utilizar técnicas de recomendación sociales, que emplean la inteligencia colectiva de los usuarios de forma indirecta para generar las recomendaciones. Este es el caso más típico de sistemas de recomendación, en el que en los últimos años se ha producido un avance muy significativo en los algoritmos de filtrado colaborativo. Sin embargo, como ya se ha mencionado, ciertas deficiencias del filtrado colaborativo solo pueden subsanarse haciendo uso de técnicas alternativas, basadas en contenido. Además, existen escenarios en los que no se pueden utilizar técnicas sociales debido a que el canal de comunicación es unidireccional (caso de la difusión de televisión convencional) y no es posible combinar simultáneamente las preferencias de un gran número de usuario. Otro impedimento del filtrado colaborativo son los escenarios concurrentes o aquellos que no pueden soportar una alta carga computacional, como se expone en el apartado c.

Teniendo en cuenta, por estas razones, que es necesario buscar estrategias que mejoren la eficiencia de la recomendación basada en contenido, esta técnica también se ve completamente condicionada a la naturaleza de los datos disponibles de los contenidos. Tal y como se especifica en [10], se distinguen tres capas de metadatos asociados a un objeto multimedia, como se aprecia en la Fig. 2. La definición de estos metadatos se basa en el estándar MPEG-7 [11]

Fig.

Los descriptores útiles para los algoritmos de recomendación son los recogidos en capa de metadatos descriptivos y en la capa de metadatos funcionales. Dentro de la capa descriptiva, los metadatos semánticos dependen del dominio de conocimiento al que pertenezcan los objetos multimedia, por lo que no se consideran en esta tesis, por no poder establecer una estructura específica común. El resto de metadatos de la capa descriptiva (metadatos estructurales), así como los metadatos de la capa funcional, se tratan en profundidad en el capítulo 5 de esta tesis, estableciendo un modelo común para la recomendación que no depende del dominio.

La definición de la estructura común y escalable de metadatos llevada a cabo en el capítulo 5, permitirá el desarrollo de los algoritmos de recomendación basados en contenido que se explican en el capítul

están asociados a un escenario determinado.

b) Restricciones relacionadas con la a

Es importante tener en cuenta que l

tradicionales cuentan con módulos de captura de información explícita, por lo que la mayoría de los estudios

información aportada por los usuarios acerca de sus gustos e intereses. De esta manera, se centran los esfuerzos de investigación en la manera de obtener recomendaciones más eficientes considerando esos

ser modelados de forma explícita, pueden reflejar directamente las características del usuario que el sistema deba con

Los problemas de este

siempre dicen la verdad, ya que pueden verse condicionados por factores familiares o sociales externos o, simplemente pueden no sabe

preferencia, o el grado de interés que les provoca un determinado contenido. Además, la continua actualización de las preferencias por parte de

volverse tediosa y provocar su hartazgo, lo cual preferencias enunciadas explícitamente.

16

Fig. 2. Tipos de metadatos del objeto multimedia [10]

Los descriptores útiles para los algoritmos de recomendación son los recogidos en capa de metadatos descriptivos y en la capa de metadatos funcionales. Dentro de la capa descriptiva, los metadatos semánticos dependen del dominio de conocimiento al que pertenezcan los objetos multimedia, por lo que no se consideran en esta tesis, no poder establecer una estructura específica común. El resto de metadatos de la capa descriptiva (metadatos estructurales), así como los metadatos de la capa funcional, se tratan en profundidad en el capítulo 5 de esta tesis, estableciendo un

para la recomendación que no depende del dominio.

La definición de la estructura común y escalable de metadatos llevada a cabo en el capítulo 5, permitirá el desarrollo de los algoritmos de recomendación basados en contenido que se explican en el capítulo 6, y que no son específicos de un sistema ni están asociados a un escenario determinado.

Restricciones relacionadas con la adquisición de información

Es importante tener en cuenta que la mayor parte de los sistemas de recomendación cuentan con módulos de captura de información explícita, por lo que la mayoría de los estudios de sistemas de recomendación parten directamente de la información aportada por los usuarios acerca de sus gustos e intereses. De esta los esfuerzos de investigación en la manera de obtener recomendaciones más eficientes considerando esos datos de partida, que, además, al ser modelados de forma explícita, pueden reflejar directamente las características del usuario que el sistema deba conocer, ya sean cualitativas o cuantitativas

Los problemas de este tipo de sistema son varios. Por un lado, los usuarios no siempre dicen la verdad, ya que pueden verse condicionados por factores familiares o sociales externos o, simplemente pueden no saber exactamente cuál es su preferencia, o el grado de interés que les provoca un determinado contenido. Además, la continua actualización de las preferencias por parte de

y provocar su hartazgo, lo cual puede desvirtuar la val preferencias enunciadas explícitamente.

Los descriptores útiles para los algoritmos de recomendación son los recogidos en la capa de metadatos descriptivos y en la capa de metadatos funcionales. Dentro de la capa descriptiva, los metadatos semánticos dependen del dominio de conocimiento al que pertenezcan los objetos multimedia, por lo que no se consideran en esta tesis, no poder establecer una estructura específica común. El resto de metadatos de la capa descriptiva (metadatos estructurales), así como los metadatos de la capa funcional, se tratan en profundidad en el capítulo 5 de esta tesis, estableciendo un

La definición de la estructura común y escalable de metadatos llevada a cabo en el capítulo 5, permitirá el desarrollo de los algoritmos de recomendación basados en o 6, y que no son específicos de un sistema ni

información del usuario

de recomendación cuentan con módulos de captura de información explícita, por lo que la parten directamente de la información aportada por los usuarios acerca de sus gustos e intereses. De esta los esfuerzos de investigación en la manera de obtener de partida, que, además, al ser modelados de forma explícita, pueden reflejar directamente las características

, ya sean cualitativas o cuantitativas.

sistema son varios. Por un lado, los usuarios no siempre dicen la verdad, ya que pueden verse condicionados por factores familiares r exactamente cuál es su preferencia, o el grado de interés que les provoca un determinado contenido. Además, la continua actualización de las preferencias por parte del usuario puede la validez de estas

17

Por su parte, la captura de información implícita ha sido tradicionalmente descartada de cara a la recomendación, debido a la dificultad de realizar un modelado preciso, o se han realizado aproximaciones muy gruesas, como se especifica en el estado del arte del capítulo 4. Por lo tanto, el campo de investigación abierto en relación con el modelado de información implícita es realmente interesante en estos momentos, a pesar de los problemas que plantea.

Por estas razones, la tendencia actual es combinar las dos técnicas, utilizando tanto información explícita como implícita, al menos hasta que los estudios en el modelado de esta se encuentren más avanzados. En cualquier caso, lo importante es disponer de las herramientas que permitan la implantación de sistemas tanto de información explícita como implícita, de tal forma que esto no sea una restricción y el diseñador del sistema pueda elegir uno de los dos métodos o una combinación de ambos dependiendo de sus necesidades específicas.

En el caso que nos ocupa, de un sistema de recomendación de contenidos audiovisuales, se presenta una gran oportunidad para desarrollar investigaciones acerca del modelado de información implícita, muy propicio para el caso debido a que la idea es que el recomendador forme parte de una estructura ya definida de distribución de contenidos, con lo que se aspiraría a una máxima integración de los servicios.

El dispositivo de captura de datos, por estas razones, condiciona el tipo de información que se puede obtener, influyendo de esta manera en el modelado de los datos de cara a inferir el grado de interés y la posterior recomendación. Sin embargo, sea cual sea el dispositivo de consumo, ciertas características de bajo nivel siempre van a estar presentes, por lo que los algoritmos de inferencia del interés que se plantean en el capítulo 4 de la tesis son aplicables a cualquier tipo de dispositivo y de escenario, ya que, como se verá en ese mismo capítulo, su implementación podrá ser ejecutada tanto en un servidor como en el terminal del usuario.

c) Restricciones asociadas a las características y caso de uso del sistema

Por último, los requisitos no funcionales de un sistema también pueden determinar qué técnicas se pueden utilizar y cuáles no. En el caso de escenarios en los que es necesario repartir la carga computacional del recomendador en cada uno de los terminales cliente, quedan inhabilitadas las técnicas sociales, por lo que solo cabe la recomendación basada en contenido. En otros casos, en los que puede existir una cierta carga computacional en el servidor, pero con importantes limitaciones, es posible emplear técnicas sociales más ligeras que el filtrado colaborativo, como puede ser el uso de estereotipos, ya sean estos estáticos o dinámicos. Sin embargo, la recomendación más eficiente siempre se conseguirá haciendo uso de la mayor cantidad de recursos posibles, por lo que las técnicas definidas en esta tesis contemplan también la opción computacional menos restrictiva, en la que se pueden emplear sistemas híbridos para generar los resultados finales. Estas circunstancias provocan la aplicación de diferentes configuraciones a la arquitectura general, tal y como se expone en el siguiente apartado.

18