Un sistema de recomendación basado en perfiles generados por agrupamiento y asociaciones

Abstract

[EN] "This article might interest you", "People who bought this article, also bought ..." or "This might also interest you" are phrases that are increasingly present in the daily activity of users that consume products and services in virtual stores and other services. The reason for it is that recommendation systems have been consolidated as a strong trend for the growth of digital commerce in recent years, especially with regards to big data. Advances and the cheapening of technologies have allowed many companies to build their virtual environments to complement their physical store, or they were even created in a purely virtual plan and, as a result, in both cases, the interactions of customers with their virtual environments have stored a huge amount of data about their preferences, such as searched and / or purchased products, movies or songs played or marked as favorites, or even events captured by sensors and registered in a database, since the Internet Things is an agent present and in great ascension that records data about people and their choices involuntarily. The main objective of this work is to use the existing data about users’ preferences, and apply Machine Learning techniques to develop a system to make recommendations, suggesting new items adjusted to users’ tastes based on users’ profiles or products generated for this purpose. Currently, several service providers already offer SaaS solutions (Software as a Service) to companies in order to integrate personalized recommendations into their commercial project. Among the best known are BrainSINS7 , Barilliance8 or Certona9 . Unlike the service offered by these providers, our proposal is very non-invasive in the sense that it only uses the data of the clients' election history, without other data about them being necessary. To do this, we propose using a hybrid method that combines collaborative and item-to-item filtering. Besides security due to customers’ anonymity and for not demanding the challenging task of obtaining items ratings through customers, our approach aims to be able to make recommendations without requiring much training data, which automatically makes it a simple and low-cost solution, both for developing and maintaining the recommendation system, which can be potentially interesting for companies that remain excluded from the world of recommendations.

[ES] “Este artículo podría gustarle”, “Personas que compraron este artículo también compraron …” o “Esto también podría interesarle” son frases que están cada vez más presentes en la actividad cotidiana de los usuarios consumidores de productos y servicios en tiendas virtuales y otros servicios. Esto se debe a que los sistemas de recomendación se han consolidado como fuerte tendencia para el crecimiento del comercio digital en los últimos años, sobre todo en relación con el big data. Los avances y el abaratamiento de las tecnologías permitieron que muchas empresas construyesen sus entornos virtuales para complementar a su tienda física, o que fuesen creadas en plan puramente virtual y, resulta que, en ambos casos, las interacciones de los clientes con sus entornos virtuales han generado una cantidad enorme de datos acerca de sus preferencias, como por ejemplo, productos buscados y/o comprados, películas o canciones reproducidas o marcadas como favoritas, o incluso eventos capturados por sensores y registrados en una base de datos, dado que la Internet de las Cosas es un agente presente y en plena ascensión que registra datos sobre las personas y sus elecciones de forma involuntaria. Este trabajo tiene como objetivo principal usar los datos ya existentes sobre las preferencias de los usuarios, y aplicar técnicas de Machine Learning para desarrollar un sistema para hacer recomendaciones, sugiriendo nuevos ítems ajustados a los gustos de los usuarios a partir de perfiles de usuario o de productos generados con este fin. Actualmente, diversos proveedores ya ofrecen a las empresas soluciones SaaS (Software as a Service) con las que integrar recomendaciones personalizadas en su proyecto comercial. Entre los más conocidos se encuentran BrainSINS1 , Barilliance2 o Certona3 . A diferencia del servicio ofrecido por estos proveedores, nuestra propuesta es muy poco invasiva en el sentido que usa únicamente los datos del historial de elecciones de los clientes, sin que sean necesarios otros datos sobre los mismos. Para ello, proponemos usar un método híbrido que combina los filtrados colaborativos e ítem a ítem. Además de la seguridad por el anonimato de los clientes y por no demandar la difícil tarea de obtener calificaciones de los ítems por parte de los clientes, nuestra aproximación busca ser capaz de hacer recomendaciones sin requerir muchos datos de entrenamiento, lo que automáticamente la convierte en una solución sencilla y de bajo coste, tanto en el desarrollo como en el mantenimiento del sistema de recomendaciones, que puede ser potencialmente interesante para empresas que todavía permanecen excluidas del mundo de las recomendaciones.

[CA] “Aquest article podria agradar-li”, “Persones que van comprar aquest article també van comprar …” o “Açò també podria interessar-li” són frases que estan cada vegada més presents en l'activitat quotidiana dels usuaris consumidors de productes i serveis en tendes virtuals i altres serveis. Açò es deu al fet que els sistemes de recomanació s'han consolidat com a forta tendència per al creixement del comerç digital en els últims anys, sobretot en relació amb el big data. Els avanços i l'abaratiment de les tecnologies van permetre que moltes empreses construïren els seus entorns virtuals per a complementar a la seua tenda física, o que anaren creades en pla purament virtual i, resulta que, en tots dos casos, les interaccions dels clients amb els seus entorns virtuals han generat una quantitat enorme de dades sobre les seues preferències, com per exemple, productes cercats i/o comprats, pel·lícules o cançons reproduïdes o marcades com a favorites, o fins i tot esdeveniments capturats per sensors i registrats en una base de dades, atès que la Internet de les Coses és un agent present i en plena ascensió que registra dades sobre les persones i les seues eleccions de forma involuntària. Aquest treball té com a objectiu principal usar les dades ja existents sobre les preferències dels usuaris, i aplicar tècniques de Machine Learning per a desenvolupar un sistema per a fer recomanacions, suggerint nous ítems ajustats als gustos dels usuaris a partir de perfils d'usuari o de productes generats a aquest efecte. Actualment, diversos proveïdors ja ofereixen a les empreses soluciones SaaS (Program as a Service) amb les quals integrar recomanacions personalitzades en el seu projecte comercial. Entre els més coneguts es troben BrainSINS4 , Barilliance5 o Certona6 . A diferència del servei oferit per aquests proveïdors, la nostra proposta és molt poc invasiva en el sentit que usa únicament les dades de l'historial d'eleccions dels clients, sense que siguen necessaris altres dades sobre els mateixos. Per a açò, proposem usar un mètode híbrid que combina els filtrats col·laboratius i ítem a ítem. A més de la seguretat per l'anonimat dels clients i per no demandar la difícil tasca d'obtenir qualificacions dels ítems per part dels clients, la nostra aproximació cerca ser capaç de fer recomanacions sense requerir moltes dades d'entrenament, la qual cosa automàticament la converteix en una solució senzilla i de baix cost, tant en el desenvolupament com en el manteniment del sistema de recomanacions, que pot ser potencialment interessant per a empreses que encara romanen excloses del món de les recomanacions.