Uso de información secundaria heterogénea en sistemas de recomendación

Abstract

[ES]En la era digital actual, los sistemas de recomendación juegan un papel crucial en la manera en que los usuarios descubren y acceden a productos, servicios y contenidos a través de la web. Estos sistemas son fundamentales en diversas plataformas como servicios de streaming, tiendas en línea, redes sociales y motores de búsqueda. Tradicionalmente, los sistemas de recomendación se han clasificado en varias categorías, entre las que destacan el filtrado colaborativo, el filtrado basado en contenido y los métodos basados en conocimiento. Estos enfoques han utilizado históricamente diversos tipos de información, como las interacciones entre los usuarios y los ítems, información acerca de los objetos o características demográficas de los usuarios. No obstante, con el crecimiento exponencial de los datos en la era del big data, ha aumentado la disponibilidad de fuentes de información adicionales, conocidas como side information, que pueden integrarse para mejorar los modelos tradicionales. Esta información puede incluir datos contextuales, interacciones sociales, registros de comportamiento o metadatos variados, permitiendo construir sistemas de recomendación más personalizados y robustos. Por lo general, esta información se presenta en formato numérico o cadena, aunque actualmente se proponen y utilizan formatos más complejos y difíciles de procesar, como los textuales y visuales. El objetivo de este trabajo es realizar un estudio comparativo entre los sistemas de recomendación clásicos y las nuevas propuestas que utilizan información secundaria, como las características visuales de las imágenes, para determinar si esta información adicional mejora significativamente las recomendaciones. A través de este trabajo, se pretende aportar una comprensión más profunda de los beneficios y limitaciones del uso de este tipo de información secundaria en los sistemas de recomendación, proporcionando una base sólida para futuras investigaciones y desarrollos en este campo.

[EN]In today’s digital age, recommender systems play a crucial role in the way users discover and access products, articles, services and content across the web. These systems are fundamental in various platforms such and items, information about objects, or demographic characteristics of users. However, with the exponential growth of data in the era of big data, the availability of additional sources of information, known as “side information,” that can be integrated to enhance traditional models has increased. This information can include contextual data, social interactions, behavioral logs or various metadata, enabling more personalized and robust recommender systems to be built. Generally, this information is presented in numeric or string format, although more complex and difficult to process formats, such as textual and visual, are now being proposed and used. The objective of this work is to perform a comparative study between classical recommender systems and new proposals that use secondary information, such as the visual characteristics of images, to determine whether this additional information significantly improves recommendations. Through this work, we aim to provide a deeper understanding of the benefits and limitations of using this type of secondary information in recommender systems, providing a solid foundation for future research and development in this field. As streaming services, online stores, social networks and search engines. Traditionally, recommender systems have fallen into several categories, including collaborative filtering, content-based filtering and knowledge-based methods. These approaches have historically used various types of information, such as interactions between users.