Tesis:
Recomendación a grupos de usuarios usando técnicas de aprendizaje profundo
- Autor: DUEÑAS LERÍN, Jorge
- Título: Recomendación a grupos de usuarios usando técnicas de aprendizaje profundo
- Fecha: 2024
- Materia:
- Escuela: E.T.S.I. DE SISTEMAS INFORMÁTICOS
- Departamentos: SISTEMAS INFORMATICOS
- Acceso electrónico: https://oa.upm.es/81502/
- Director/a 1º: ORTEGA REQUENA, Fernando
- Director/a 2º: LARA CABRERA, Raúl
- Resumen: Recommender systems play a fundamental role in the task of filtering and retrieving information. In a world with instant access to vast amounts of information and with the emerging ability of generative models to produce even more, this kind of system will become increasingly important. In addition, the social nature of human beings and the integration of the digital world into everyday life make it increasingly necessary that recommenders consider the group of users that will interact with the system.
The main idea behind group recommender systems is to have systems that handle the preferences of a group, to assist them in decision-making and accessing relevant information. The usefulness of these systems is found in very varied domains: audiovisual content platforms, tourist attractions planning, restaurant selection, etc. These systems have been developed with diverse machine learning techniques. This thesis focuses on exploring what improvements models based on deep learning can bring to this task.
This work includes a detailed review of the state of the art of recommender systems. This review leads us to analyze the advances that have occurred in the field, from initial memory-based methods to the latest models based on deep learning techniques. One of the main characteristics of these techniques is that they can capture complex patterns in large data sets. Taking this into account, the main hypothesis of the thesis is that they can improve the performance of current methods by providing recommendations that satisfy the group of users.
To test the hypothesis, different architectures and forms of representing the user group have been designed. These architectures and representations have been evaluated in four datasets. These datasets have different characteristics in terms of size, granularity, dispersion, etc. The goal is to confront the systems with different situations and recommendation scenarios to ensure the robustness and generalization of the obtained results. The datasets used are two versions of MovieLens, FilmTrust, and MyAnimeList.
For the evaluation of the proposed models, standard metrics have been adopted: absolute error, square error, and max error in the predictions related to the group ratings. The results of the experiments carried out show how deep-learning based techniques offer significant improvements in the field of making recommendations to groups of users. Furthermore, this work serves as a basis for future research aimed at integrating the latest models and techniques in the deep learning area.
RESUMEN
Los sistemas de recomendación juegan un papel fundamental en la tarea de filtrado y recuperación de información. En un mundo con acceso a grandes cantidades de información de forma instantánea y con la incipiente capacidad de los modelos generativos para generar aún más contenido, este tipo de sistemas cobrarán cada vez mayor importancia. Además, la naturaleza social del ser humano y la integración del mundo digital en la vida cotidiana, hacen necesario que estos sistemas incorporen características para tener en cuenta al grupo de usuarios que interactuará con los elementos del sistema.
La idea principal detrás de los sistemas de recomendación para grupos es tener sistemas que manejen las preferencias de varios usuarios al mismo tiempo, para ayudarles en la toma de decisiones y el acceso a la información relevante. La utilidad de estos sistemas se encuentra en dominios muy variados: consumo de contenido audiovisual, visita a atracciones turísticas, restauración, etc. Estos sistemas para grupos se han desarrollado con diversos modelos de aprendizaje automático. Esta tesis se centra en explorar qué mejoras pueden aportar a esta tarea los modelos basados en aprendizaje profundo.
En este trabajo se puede encontrar una revisión exhaustiva del estado del arte de los sistemas de recomendación. Esta revisión nos lleva a analizar los avances que han ocurrido en el campo, desde los iniciales métodos basados en memoria, hasta los modelos basados en aprendizaje profundo. Estos últimos, se caracterizan por su capacidad de capturar patrones complejos en grandes conjuntos de datos. La hipótesis principal de la tesis es que pueden mejorar a los métodos actuales ofreciendo recomendaciones que satisfagan al grupo de usuarios.
Para comprobar la hipótesis, se han diseñado distintas formas de representación de grupos de usuarios y distintas arquitecturas profundas. Estas representaciones y arquitecturas se han evaluado en cuatro datasets. Estos datasets tienen distintas características en cuanto a tamaño, granularidad, dispersión, etc. El objetivo es enfrentar a los sistemas a distintas situaciones y escenarios de recomendación para asegurar la robustez y generalización de los resultados obtenidos. Los datasets que se han utilizado son: dos versiones de MovieLens, FilmTrust y MyAnimeList.
Para la evaluación de los modelos propuestos, se han adoptado métricas estándar en el campo de los sistemas de recomendación: error absoluto, error cuadrático y error máximo cometido en las predicciones respecto al grupo de usuarios. Los resultados de los experimentos llevados a cabo muestran cómo las técnicas basadas en aprendizaje profundo ofrecen mejoras significativas dentro del problema de realizar recomendaciones a grupos de usuarios. Además, este trabajo sirve de base para realizar futuras investigaciones mediante la incorporación de los últimos avances en el área del aprendizaje profundo.