Veremos a continuación una enumeración de sistemas recomendadores para grupos desarrollados hasta el momento, apreciándose una progresiva complejidad a medida que pasan los años. Existen trabajos que no describen un sistema desarrollado, pero que igualmente abordan aspectos del tema de recomendación a grupos (motivo por el cual están aquí incluidos), apareciendo recientemente
118
aplicaciones al tema de las redes sociales. En este apartado nos limitaremos a mencionar los distintos sistemas existentes, haciendo referencia a su nombre, año de desarrollo y ámbito de aplicación en el que recomienda, a efectos de situarnos en el número de recomendadores para grupos que se han desarrollado hasta el momento, desde cuándo se está trabajando y a qué clase de atracciones se orienta. Dejaremos para el apartado siguiente la descripción de la mecánica seguida por los casos más relevantes, cuando estudiemos las técnicas de generación de las recomendaciones.
En el caso de los recomendadores de programas de televisión, los métodos tradicionales de personalización están basados en técnicas sintácticas, lo que los lleva a recomendaciones muy pobres [64]. Para enfrentar estas limitaciones es necesario razonar sobre la semántica de los programas de televisión disponibles y descubrir relaciones ocultas entre estos contenidos y las preferencias de los usuarios, más allá de una simple comparación basada en la sintaxis. Este tipo de procesos de razonamiento, tradicionalmente adoptados en el campo de la Web Semántica, requiere una representación formal del dominio de conocimiento (ontología), donde sean modeladas las descripciones semánticas de los programas de televisión y las relaciones existentes entre ellos. Ya fueron exploradas por [65] las sinergias entre los sistemas recomendadores y las ontologías, y se demostraron aumentos significativos en la exactitud de la recomendación. El sistema propuesto en esta tesis, tiene como aportación el uso de ontología en la recomendación, por ello en esta enumeración distinguiremos entre los sistemas sin uso de ontología y los que sí la utilizan, por la importancia que reviste esta característica.
4.2.1 Recomendadores sin uso de ontología
La actividad en torno a la recomendación a grupos comienza poco antes de la década pasada, con dos sistemas que se llevaron a la práctica y que reportaron que los usuarios percibieron mejoras a la situación previa, en que la decisión se adoptaba por un usuario o en discusión: (i) MusicFX (1998) [66] es un sistema que ajusta la selección de música que se reproduce en un centro deportivo de gimnasia con música para que contemple lo mejor posible las preferencias musicales de la gente que asiste en un determinado momento. El sistema tiene una base de datos de las preferencias de los miembros del centro deportivo, que tiene un amplio rango de géneros musicales, un mecanismo para identificar quién está presente y un algoritmo para seleccionar el género musical que le gustará al público
119 mayoritario, de los cuales se darán detalles en secciones posteriores; (ii) Let‘s Browse (1999) [67] recomienda páginas web a un grupo de dos o más usuarios que navegan la web juntos, sugiriéndoles nuevo material que se espera que sea de interés común.
El turismo es habitualmente una actividad hecha en grupo, por ello es natural que aparezcan algunos sistemas: (i) INTRIGUE (2003) [68] recomienda atracciones turísticas para grupos heterogéneos de turistas que incluyen subgrupos relativamente homogéneos (por ejemplo, niños o minusválidos). Las atracciones están descritas por una serie de propiedades y una calificación. Los usuarios tienen ciertas categorías de interés (que coinciden con las propiedades de las atracciones) y otorgan un interés a cada categoría. Es decir, que están compuestos por conjuntos de pares propiedad-calificación; (ii) Travel Decision Forum (2004) de Jameson et al [69,70] es un recomendador para que un grupo planifique sus vacaciones. El grupo no tiene por qué estar comunicado sincrónicamente. El objetivo es que lleguen a un acuerdo sobre el plan para las vacaciones.
Otro ámbito de aplicación es el de sistemas de entorno consciente (aware environment) ocupado simultáneamente por muchos usuarios, como podría ser en el hogar, el programa de televisión a ver, el nivel de iluminación, la música ambiente o el control de temperatura: (i) MUPE (2004) [71] describe los temas a tener en cuenta cuando se establece un sistema de este tipo; (ii) Shin et al (2008) [72] abordan la resolución de conflictos en un grupo, al igual que un sistema de recomendación, para aplicaciones de entorno consciente (context-aware), haciéndolo tanto desde la alternativa de una recomendación automática, como con una estrategia de mediación para llegar a un acuerdo; (iii) G.A.I.N. (2005) de Pizzutilo et al [73] describe un sistema que selecciona las noticias a desplegar en un sitio público en una pantalla gigante de tal forma que capture la atención de las personas que están en ese momento en el lugar.
Pero sin duda, donde ha habido más trabajos es en el caso de recomendación de contenidos audiovisuales para grupos, lo que demuestra la importancia del problema:
(i) Polylens (2001) [74] es un sistema que recomienda películas a pequeños grupos de usuarios. Es una extensión del sistema MovieLens [37], que está basado en intereses individuales, inferidos a partir de calificaciones de películas y de filtrado colaborativo.
120
(ii) FIT (2004) [75] es un sistema que recomienda programas de televisión a miembros de una familia, minimizando la interferencia del sistema con los hábitos de los usuarios.
(iii) Yu et al (2006) [76] abordan la recomendación de contenidos de televisión para grupos de usuarios basados en la fusión de los perfiles de los usuarios.
(iv) MELISA de Karpouzis y Maglogiannis (2009) [77] encara el modelado y distribución de contenido audiovisual heterogéneo para consumo en grupos. Se preocupan por temas como la recomendación al grupo, pero también por los contenidos multiplataforma Create Once, Publish Everywhere (COPE), que deben ser acompañados por metainformación. Como el contenido llegará al usuario a través de diferentes vendedores los derechos de propiedad intelectual deben ser mantenidos a través de todo el proceso, utilizando para ello los estándares MPEG-7 y MPEG-21. El marco de trabajo de MPEG-21 garantiza que se puedan manejar estos conceptos con éxito.
(v) Vildjiounaite et al (2009) [78] se enfocan en el caso de recomendación de programas de televisión para familias. En particular, se preocupa por minimizar los datos que solicita al usuario, por no obstruir su experiencia de ver televisión.
(vi) ―More Like This‖ or ―Not for Me‖ (2007) [79] se propone dar recomendaciones de programas televisivos tanto individuales como grupales sin tener perfiles de usuario. Para requerir el mínimo esfuerzo al televidente, no le pide autenticación, sino solamente una calificación sobre el programa visto. Tiene metainformación de cada programa, y por lo tanto, cada clasificación que realiza un usuario será un punto en el espacio vectorial de las descripciones y la calificación. Crea aglomeraciones (clusters) en este espacio vectorial, agrupando programas similares.
Por su parte, en el trabajo de De Campos et al (2007) [80] se reconoce la diferencia entre la recomendación automática para individuos y para grupos. Se enfoca en esta última, proponiendo un sistema de recomendación para grupos basado en una red bayesiana colaborativa. Los índices para el grupo se computan de patrones de votación anteriores, de otros usuarios con gustos similares.
Estos sistemas utilizan distintas técnicas para obtener las recomendaciones, principalmente basadas en listados de valoraciones sobre características de los
121 contenidos, pero sin ninguna estructura jerárquica. Las más significativas se irán presentando a lo largo del capítulo y en particular en el apartado 4.3.3.
Hasta aquí no ha aparecido el recurso de valerse de ontologías para obtener la recomendación. Veremos que hay algunos recomendadores para grupos que lo plantean.
4.2.2 Recomendadores que utilizan ontologías o
similitudes semánticas
Más cerca en el tiempo, algunos recomendadores para grupos han introducido el uso de ontologías en su ámbito de recomendación para enriquecer la precisión de la misma. Otros trabajos discuten la recomendación para grupos en términos generales y consideran el uso de ontologías. Tal es el caso del artículo en que Kay y Niu (2005) [81] estudian estrategias para generar un modelo de grupo, en que la definición de los perfiles individuales es simplemente por palabras claves que indican gustos. Por ejemplo, dados dos individuos el modelo de usuario de uno incluye las palabras (queso, té, mermelada) y el del otro (mermelada, café, camembert, vino). De manera muy sucinta, menciona distintas estrategias de modelado del grupo y de recomendación, sugiriendo, en particular, la utilización de lo que llaman ―Razonamiento Ontológico‖. Proponen basar el modelado de usuario basándose en una ontología, de tal manera que puedan establecerse relaciones entre términos presentes en los perfiles de distintos usuarios. Simplemente describe la ventaja de permitir razonamientos del tipo de, si a un usuario le gusta el queso, y al otro el camembert, al grupo que forman ambos le gustará el queso. Para el empleo de este tipo de razonamiento, propone modelar el conocimiento mediante una ontología utilizando la herramienta MECUREO [82].
Encontramos aplicaciones dedicadas a la educación como la de Ounas et al (2007) [83] que aborda el estudio de la formación de grupos de estudiantes en un curso, atendiendo múltiples aspectos, apreciando la ventaja de utilizar una ontología para describir los atributos de cada estudiante. Crearon una ontología especialmente para esta aplicación: Semantic Learner Profile Ontology (SLP). Sin embargo, dejan como trabajo futuro los algoritmos que generen el grupo.
A partir del gran desarrollo de las tecnologías de la información y las telecomunicaciones, se reconoce la proliferación de comunidades virtuales, redes sociales basadas en el ordenador, y la interacción colectiva, lo que abre otro
122
campo para la recomendación para grupos. Cantador y un grupo de investigadores (2006) [84,85,86] abordan una manera de construir estas redes sociales emergentes, analizando las motivaciones individuales y las preferencias de los usuarios, divididos en áreas de potenciales intereses diferentes. Utilizan perfiles de usuario basados en ontología, concretamente, en la relación entre los conceptos y las preferencias (ponderadas) de los usuarios. Su sistema crea agrupaciones (clusters) en el espacio semántico basado en la correlación de conceptos que aparecen en las preferencias de usuarios individuales. Afirman que las redes sociales multicapa son útiles potencialmente para muchos propósitos. Por ejemplo, los usuarios pueden compartir preferencias, conocimientos y valerse de la experiencia de otros.
Yu et al (2009) [87] realizan una aproximación a la utilización de preferencias condicionales en sistemas de recomendación. Para demostrar la implementación y el diseño del sistema, lo ilustra con la recomendación de viajes para grupos. Utiliza un modelo basado en ontologías similar a un Árbol de Atributos de Conceptos. E infiere intereses hacia niveles superiores del árbol.
El uso de ontologías se ha revelado prometedor en una nueva serie de aplicaciones relacionadas con la Personalización Portátil (Portable Personality). Tal es el caso de Uhlmann y Lugmayr (2008) [63]. Constatan que un usuario tiene normalmente en varios sitios web un perfil de usuario parcial. Sería ventajoso para el mismo poder portarlo. Asimismo, cuando el usuario porta su perfil, y está en presencia de aplicaciones a realizar en grupo, sería útil tener una recomendación para el grupo, si está en grupos de gente con sus preferencias portátiles. Concluyen (i) que la aplicación de ontologías y sus técnicas relacionadas parecen proveer una dirección prometedora; (ii) que la fusión de perfiles de usuario no ha recibido suficiente atención aún, resultando las técnicas actuales algo simples y asegurando que métodos más avanzados se requieren para empujar el perfil de usuario personalizado a una nueva experiencia de personalización portátil.