• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • Modelar el bucle entre la formación de opiniones y las recomendaciones personalizadas

    Una representación del ciclo de retroalimentación entre el usuario y el recomendante, con variables matemáticas. Crédito:Rossi, Polderman, y Frasca

    Investigadores de la Universidad de Twente y del CNRS han realizado recientemente un estudio que explora la relación entre las opiniones de los usuarios y las recomendaciones personalizadas que reciben online. En su papel que fue prepublicado en arXiv, propusieron un modelo que describe esta interacción, luego lo evaluó a través de extensas simulaciones y un análisis matemático.

    "Todos encontramos sistemas de recomendación en nuestra vida diaria, tan pronto como nos conectemos a Internet, ya sea navegando en Facebook o Twitter o comprando en Amazon, "Paolo Frasca, uno de los investigadores que realizó el estudio, dijo a TechXplore. "Estos sistemas tienen la tarea de seleccionar la información que es más relevante para nosotros".

    Esencialmente, Los sistemas de recomendación están diseñados para resaltar contenido en línea particular que coincida con las preferencias de usuarios individuales que navegan por Internet. En años recientes, estos sistemas se han vuelto cada vez más populares, con muchas plataformas de redes sociales y otros sitios web que las utilizan para mejorar la participación de los usuarios, o para anunciar productos y servicios.

    La investigación realizada por Frasca y sus colegas tuvo como objetivo lograr una mejor comprensión de la interacción entre las opiniones de los usuarios y las recomendaciones personalizadas presentadas por los sistemas de recomendación. Como matemáticos, desarrollaron un modelo dinámico de interconexión entre usuario y contenido recomendado.

    "Nuestro sistema de recomendación es muy simple, dado que solo tiene dos elementos para elegir y se caracteriza por un solo parámetro, que llamamos épsilon, "Frasca explicó." El sistema mantiene un registro de cuánto se apreciaron los elementos (=se hizo clic) en el pasado. En cada momento tiene que hacer una recomendación, el sistema lanza una moneda (sesgada) que devuelve cara con probabilidad épsilon (cola con probabilidad 1-épsilon) ".

    Ese diagrama muestra la efectividad de las recomendaciones (medida por la tasa de clics) frente a la alteración de las opiniones del usuario (medida por lo que llamamos "discrepancia" en el documento). Los puntos de datos forman una línea que aumenta monótonamente:este hecho indica que una mayor efectividad se correlaciona con alteraciones mayores. Crédito:Rossi, Polderman, y Frasca

    Si el resultado del lanzamiento de esta moneda es cara, el sistema recomienda el elemento más exitoso registrado en su historial; si muestra cola, recomienda un elemento completamente aleatorio. Este proceso de asignación al azar permite a los investigadores elegir 'épsilon' para garantizar que el sistema equilibre efectivamente la diversidad y la precisión en las recomendaciones que proporciona.

    Su modelo representa la interacción entre un solo usuario y un agregador de noticias en línea, para descubrir el circuito de retroalimentación entre la evolución de la opinión de este usuario y las recomendaciones personalizadas. Asume que el usuario en cuestión tiene una opinión escalar sobre un tema en particular, caracterizado por una posición binaria, y que esta opinión puede verse influida por las noticias recibidas online. Típicamente, se cree que el usuario tiene un sesgo de confirmación, lo que significa que tendrá preferencia por el contenido que confirme su opinión sobre un tema determinado.

    Los investigadores también asumen que el objetivo del sistema de recomendación es maximizar el número de clics del usuario, y para lograrlo, tiene que comprometerse entre explorar las preferencias del usuario y explotarlas. Extensas simulaciones numéricas y un análisis matemático del modelo encontraron que los contenidos personalizados y el sesgo de confirmación afectaron la evolución de las opiniones de un usuario, estando relacionado el alcance de este efecto con la eficacia del sistema de recomendación.

    "Hemos resaltado que los comportamientos del usuario y el sistema de recomendación se retroalimentan de tal manera que se altera el comportamiento del usuario, "Dijo Frasca." Al mismo tiempo, el parámetro épsilon proporciona una perilla para ajustar la cantidad de aleatoriedad y posiblemente mitigar el impacto en la opinión del usuario ".

    La investigación llevada a cabo por Frasca y sus colegas proporcionó información interesante sobre la relación entre las opiniones de los usuarios y las recomendaciones personalizadas que reciben en línea. Sin embargo, esta información aún debe validarse aún más antes de que pueda traducirse en recomendaciones de políticas. Los investigadores ahora están trabajando para mejorar su modelo, para garantizar que refleje mejor los escenarios de la vida real.

    "Nuestro modelo se basa en un solo usuario y dos elementos posibles, "Dijo Frasca." Claramente, en realidad, tanto los usuarios como los elementos son numerosos. Planeamos extender el modelo para incluir una red social de usuarios y una multiplicidad de elementos. En un sentido, nuestro trabajo reciente ha sido un trampolín hacia un modelo más general que es nuestro próximo objetivo ".

    © 2018 Tech Xplore




    © Ciencia https://es.scienceaq.com