Métodos de clasificación basados en asociación aplicados a sistemas de recomendación

Abstract

[EN]Current e-commerce systems continually need to provide personalization when their content is shown. In this sense, recommender systems make suggestions and provide information of items available in the system. Nowadays, there is a vast amount of methods, including data mining techniques that can be employed for personalization in recommender systems. However, such methods are still quite vulnerable to some limitations and shortcomings related to recommender environment. Classification based on association methods, also named associative classification methods, consist of an alternative data mining technique, which combines concepts from classification and association in order to allow association rules to be employed in a prediction context. In this work we propose the use of associative classifiers in recommender systems in order to enhance the recommendation process and to shorten limitations presented within it. To do so, we firstly present a bibliographic revision concerning the associative classification area and, subsequently, we describe concepts and methods related to recommender systems. Within this context, in this work we have developed a hybrid recommender methodology, which encloses characteristics of the two main approaches of recommender methods: collaborative filtering and content-based. This methodology also includes an associative classification algorithm that inherits features from fuzzy logic, that allows it to enhance its effectiveness and recommendation quality. In this way, the methodology takes advantage from the strengths of both approaches and, therefore, minimizes recommender systems limitations. In order to analyze the behaviour and to validate the developed methodology, we have accomplished a comparative study using data gathered from real recommender systems. Such study analyzes results from associative classification and traditional classification algorithms, furthermore it analyzes the behaviour of the algorithm proposed as a part of the methodology. Finally, we describe the implementation of the proposed methodology in a real recommender system, where critical scenarios that usually occur in a recommendation context were emulated. The results of the comparative study and the analysis of the emulated scenarios have demonstrated that the associative classification and the proposed methodology can be successfully applied in recommender systems and are able to supply benefits to them as well

[ES]Los sistemas de comercio electrónico actuales requieren de manera permanente proveer personalización en la presentación de sus contenidos. En este sentido, los sistemas de recomendación realizan sugerencias y facilitan información acerca de los ítems disponibles en el sistema. Actualmente se dispone de una gran cantidad de métodos, incluyendo técnicas de minería de datos, que pueden utilizarse para la personalización en dichos sistemas. Sin embargo, dichos métodos todavía son bastante vulnerables a muchas limitaciones y problemas ocasionados en el ámbito de las recomendaciones. Los métodos de clasificación basados en asociación, también denominados métodos de clasificación asociativa, constituyen un tipo de técnica de minería de datos alternativa, la cual combina conceptos de clasificación y asociación con objeto de utilizar reglas de asociación en un contexto de predicción. En este trabajo se propone el uso de clasificadores asociativos en sistemas de recomendación con el fin de mejorar el proceso de recomendación, disminuyendo las limitaciones presentadas en el mismo. Para ello, en primer lugar se presenta una revisión bibliográfica sobre el área de la clasificación asociativa y, a continuación, se describen conceptos y métodos inherentes a los sistemas de recomendación. Dentro de este contexto, se ha desarrollado una metodología híbrida de recomendación, que posee rasgos de las dos principales categorías de métodos de recomendación: filtrado colaborativo y basado en contenido. Dicha metodología incluye un algoritmo de clasificación asociativa que utiliza conceptos de la lógica borrosa, lo que permite aumentar la efectividad y calidad de las recomendaciones. De esta manera, se permite hacer uso de las ventajas y puntos fuertes de cada categoría de métodos y, consecuentemente, minimizar las limitaciones inherentes a los sistemas de recomendación. Para analizar el comportamiento y la validez de la metodología desarrollada, se ha realizado un estudio comparativo, utilizado datos de sistemas de recomendación reales, en el que se analizan los resultados de los algoritmos de clasificación tradicionales frente a los proporcionados por los algoritmos de clasificación asociativa, incluyendo el análisis del algoritmo propuesto como parte de la metodología. Finalmente se describe la implementación de la metodología propuesta en un sistema de recomendación real en el que se simularon escenarios críticos que suelen ocurrir en un contexto de recomendación. El análisis de los resultados del estudio comparativo y de las simulaciones han demostrado que la clasificación asociativa y la metodología propuesta pueden ser aplicados de manera satisfactoria en sistemas de recomendación, aportando beneficios a los mismos