Los Sistemas de Recomendación surgieron a mediados de la década de los 90 (Li, 2010) con el fin de brindarle a los usuarios aquellos resultados de búsquedas de información cercanos a sus necesidades (Casali, et. al., 2011). Chesani (2007) define un sistema de recomendación como aquel capaz de realizar predicciones a partir del hecho que a un usuario le guste o no cierto ítem, objeto, medio o información al que podría acceder (Chesani, 2002),(Mizhquero, 2009). La personalización desde el punto de vista computacional, es un sistema capaz de tratar cada usuario de manera individual, adecuando un producto o servicio para atender las necesidades, es una de las formas más promisorias para mejorar la calidad de las búsquedas. Los sistemas de recomendación son los aliados de la personalización de sistemas computacionales, principalmente en la web, por su capacidad de identificar preferencias y sugerir ítems relevantes para cada usuario; para ello se necesita de perfiles que almacenen la información y las preferencias de cada usuario (Cazella, et. al., 2010).
Existen muchos tipos de sistemas de recomendación, cada uno puede ser usado para diferentes enfoques y en diferentes contextos, de acuerdo a las necesidades (Hdioud, et. al., 2012). Así, para el caso de OAs el sistema debería ser capaz de recomendar OAs adaptados a un aprendiz específico. Aunque existen diversos tipos de sistemas de recomendación, todos necesitan una gran cantidad de información sobre los usuarios y OAs para poder realizar recomendaciones de calidad. De esta forma, dichos sistemas deben proporcionar mecanismos para recopilar la mayor cantidad de información posible acerca de los usuarios y OAs requeridos con el fin de realizar mejores recomendaciones. A este proceso se le denomina retroalimentación (Li, 2010)(Sanjuán et al., 2009).
Los sistemas de recomendación se clasifican así (Burke, 2002):
2.2.1 Sistemas de Recomendación Basados en el
Contenido del OA
En estos sistemas las recomendaciones son realizadas basándose solamente en un perfil creado, utilizan algoritmos “ítem a ítem” generados mediante la asociación de reglas de correlación entre ellos (Betancur et al., 2009). Este tipo de recomendación aprende de los intereses de los usuarios y hace el proceso de recomendación sobre la base de las características presentes en los ítems (Burke, 2002). Para este tipo de
sistema de recomendación se hace coincidir los atributos del perfil del usuario con los atributos de los ítems a recomendar (Hdioud et al., 2012).
Para el caso de los OAs, la recomendación se realiza utilizando los metadatos y una o varias características del perfil del usuario, el estilo de aprendizaje es un ejemplo de estas características por las cuales se pude recomendar OAs. Una aproximación, es el trabajo presentado en (Rodríguez M, et. al., 2012), donde se propone la personalización de los resultados de una búsqueda, haciendo una comparación entre un perfil del estudiante y algunos metadatos de los OAs.
Este tipo de sistemas tiene como principal limitación, los problemas en las búsquedas cuando se tienen datos poco estructurados y no se puede analizar su contenido, ejemplo en videos y sonidos (Cazella et al., 2010). Este problema se minimiza al utilizar solamente los metadatos de los OAs.
2.2.2 Sistemas de Recomendación Colaborativos
Las recomendaciones se hacen basándose en el grado de similitud entre usuarios. Se fundamentan en el hecho de que los OAs que le gustan a un usuario, les pueden interesar a otros usuarios con gustos similares (Sikka et. al., 2012). Esta clase de sistemas construyen la recomendación como una agregación estadística/probabilística de las preferencias de otros usuarios (Burke, 2002). Para la realización de un buen sistema de recomendación colaborativo que ofrezca recomendaciones de calidad, es necesario utilizar un buen algoritmo de filtrado colaborativo. Estos algoritmos se clasifican en: los algoritmos basados en memoria y basados en modelos. Los basados en memoria utilizan valoraciones que otros usuarios han dado a un OA, para calcular la posible valoración para el usuario actual y los basados en modelos hacen uso del modelo del estudiante para construir un perfil o modelo, a partir del cual se realizan las recomendaciones (Wang et al., 2007),(Betancur et al., 2009). Un usuario de un sistema basó en filtraje colaborativo debe calificar cada uno de los ítems utilizados, indicando cuanto este ítem sirve para su necesidad de información. Estas puntuaciones son recolectadas para grupos de personas, permitiendo que cada usuario se beneficie de las experiencias (calificaciones) de los otros. La ventaja de estos sistemas de recomendación es que un usuario puede recibir recomendaciones de ítems que no estaban siendo buscados de forma activa- La desventaja es el problema del primer evaluador, cuando un nuevo OA es agregado a la federación no existe manera de recomendarlo por este sistema (Cazella et al., 2010).Cazella propone 3 pasos para utilizar la técnica de filtraje colaborativo basados en memoria (usuario):
a) Calcular el peso de cada usuario en relación a la similitud con un grupo de usuario (medidas de similitud)
b) Seleccionar un subconjunto de usuarios con mayores similitudes (vecinos) para considerar la predicción
c) Normalizar las evaluaciones y hacer las predicciones ponderando las evaluaciones de los vecinos con sus pesos.
2.2.3 Sistemas de Recomendación Basado en el
Conocimiento
Un sistema de recomendación basado en conocimiento, hace recomendaciones según el historial de navegación de un usuario, este historial está almacenado con el fin de obtener las preferencias e intereses del usuario y con ello obtener la información necesaria para generar recomendaciones. Estos sistemas también son llamados sistemas de preferencias implícitas ya que deducen las preferencias a partir del comportamiento del usuario y de su historial. Esto permite que en la mayoría de los casos no sea necesario pedir al usuario demasiada información sobre sus preferencias para que pueda ser recomendado. Sugiere ítems basado en las inferencias acerca de las necesidades y preferencias del usuario según su historial de navegación (Burke, 2002). En los OAs, la recomendación se realiza a partir del análisis del contenido de los OAs que el usuario ha evaluado en el pasado positivamente. Se fundamentan en el hecho de que los objetos que le pueden gustar o interesar al usuario deben ser similares a OAs que han sido de su agrado en el pasado.
2.2.4 Sistemas Híbridos de Recomendación
El enfoque híbrido, busca la unión entre varios enfoques o técnicas de recomendación con el objetivo de completar sus mejores características y hacer mejores recomendaciones (Cazella et al., 2010).
Existen varios métodos de combinación o integración como (Burke, 2002):
- Método ponderado: Donde se combinan las puntuaciones o votos para producir una única recomendación.
- Método de Conmutación: El sistema conmuta entre las técnicas de recomendación en función de la situación actual.
- Método Mixto: Se presentan las recomendaciones de diferentes sistemas de recomendación al mismo tiempo.
- Método de combinación de características de diferentes fuentes de datos se entregan como entradas a un único algoritmo de recomendación.
- Método de cascada: Cada una de las recomendaciones refina las recomendaciones dadas por los otros.
- Función de aumento: Una característica de salida de una técnica, se usa como una característica de entrada a otra.
- Meta-nivel: El modelo aprendido por un sistema de recomendación se utiliza como entrada a otro
Aunque este tipo de sistemas híbridos tienen grandes ventajas como entregar recomendaciones de alta calidad, su presencia en la web es baja, debido a su complejo desarrollo ya que se debe tener en cuenta la gestión de un modelo de usuario, tener mecanismos para definir y clasificar la información que puede ser recomendada, la definición de métodos y técnicas adaptativas, además de la definición de correspondencias entre los usuarios para seguir con las estrategias de adaptación.