Uso de Modelos de Markov para Recomendación de Actividades en la Hipermedia Adaptativa
| Autor | Estefanía Martín |
| Cargo del Autor | Lenguajes y Sistemas Informáticos I, Universidad Rey Juan Carlos |
| Páginas | 189-201 |
Page 189
Internet es una fuente de información para millones de personas que utilizan la Web con distintos propósitos ya sean profesionales o personales (entretenimiento, información cultural, aprendizaje, etc.). Gracias al desarrollo de las tecnologías inalámbricas y a la aparición de los dispositivos móviles, Internet provee una gran cantidad de información heterogénea. Esta información es accesible desde cualquier lugar y en cualquier momento utilizando distinto tipo de dispositivos.
No todos los usuarios tienen los mismos objetivos, intereses o necesidades. Es un hecho conocido que aspectos como la experiencia previa, los objetivos, el tiempo disponible, las preferencias o la personalidad, son factores que pueden influir en la forma de interacción con la información. En este sentido, no toda la información es adecuada para todo el mundo. Por tanto, surge la necesidad de adaptar la información presentada a cada usuario teniendo en cuenta sus necesidades personales, comportamiento mientras se encuentra interactuando con el entorno y contexto en el que se encuentra. Con este objetivo surgió la Hipermedia Adaptativa a principios de los años 90. Brusilovsky presentó la primera clasificación de métodos y técnicas de adaptación en 1996 [1]. En esta clasificación se consideran principalmente dos niveles de adaptación: adaptación a nivel de contenidos y adaptación a nivel de navegación. Los sistemas de recomendación son un tipo concreto de sistemas adaptativos, los cuáles se centran en modelar los intereses de los usuarios y sus preferencias [2]. Un sistema de recomendación es capaz de producir recomendaciones o guiar al usuario de una forma personalizada a través de objetos que pueden ser interesantes y útiles dentro de un gran espacio de opciones (p.e.
Page 190
películas, música, libros, imágenes y páginas Web entre otros). En concreto, los sistemas de recomendación contienen: i) información sobre la experiencia previa de los usuarios que le permite al sistema de recomendación realizar sugerencias, ii) datos de entrada que le permiten al usuario poder comunicarse con el sistema para que se le ofrezca una recomendación, y iii) un algoritmo que combine la información sobre la experiencia previa y los datos de entrada suministrados por el usuario con el objetivo de realizar recomendaciones personalizadas. Un sistema de recomendación suele combinar las características del usuario con las características más relevantes a la hora de realizar sugerencias.
Burke presentó una revisión de las diferentes técnicas de recomendación existentes para realizar sugerencias adecuadas a los usuarios en 2002 [3]. Entre estas técnicas se encuentran el filtrado colaborativo, la recomendación basada en contenidos, la recomendación basada en el conocimiento, las técnicas de recomendación demográficas, etc. Hoy en día, el filtrado colaborativo es una de las técnicas más utilizadas por los sistemas de recomendación. Esta técnica sugiere distintos elementos teniendo en cuenta las características de los usuarios y las sugerencias, ya sean implícitas o explícitas, de otros usuarios con características o intereses similares. Este tipo de recomendación funciona mejor cuando el usuario se encuentra rodeado de usuarios con intereses similares. Por ejemplo, LastFM [4] es un sistema de recomendación de música que sugiere diferentes canciones dependiendo de los intereses de los usuarios y de las valoraciones de otros usuarios con preferencias similares, utiliza el filtrado colaborativo. En el área educativa, el filtrado colaborativo se ha utilizado para ofrecer sugerencias sobre la guía de navegación dentro del sistema Educo [5]. Otra técnica de recomendación es la que se basa en los contenidos. Tiene en cuenta las características de los objetos a recomendar, las preferencias de los usuarios y las relaciones entre ellos. Por ejemplo, el motor de búsqueda del navegador Web de Google utiliza esta técnica para deducir lo que el usuario está buscando a partir de las palabras clave de la consulta de búsqueda.
Cada una de las técnicas de recomendación tiene limitaciones, tales como el conocido problema del ‘inicio congelado’ para sistemas que utilizan filtrado colaborativo y sistemas que utilizan la técnica de recomendación basada en contenidos. Este problema ocurre al comenzar la utilización de este tipo de sistemas. Al inicio, existe muy poca información y por tanto no se puede efectuar recomendaciones con precisión. Por este motivo, surgen los sistemas de recomendación híbridos que combinan varias técnicas de recomendación de forma conjunta para conseguir que se complementen entre sí. Por ejemplo, Wang y Li [6] presentan un sistema Web que realiza sugerencias personalizadas y que combina las técnicas del filtrado colaborativo y la recomendación basada en contenidos.
Muchos sistemas de recomendación que utilizan la técnica de filtrado colaborativo están basados en modelos de Markov para predecir el comportamiento del usuario [7]. Un modelo de Markov de primer orden está definido por un conjunto de estados y de probabilidades de salto entre estados. En cada paso, el sistema podría cambiar del estado actual a otro estado (o permanecer en el mismo estado) dependiendo de una determinada probabilidad. Los cambios de estados se llaman transiciones, y las probabilidades asociadas con estos cambios entre estados son las llamadas probabilidades de transición. En un modelo de Markov de primer orden, los estados son visibles para el observador y las probabilidades de transición entre estados son los parámetros. Los modelos ocultos de Markov contienen dos tipos de variables: estados y observaciones. En estos modelos, los estados no son visibles directamente. Sin embargo, las variables que tienen influencia en cada estado sí son visibles.
Los modelos de Markov han sido utilizados para modelar muchos procesos secuenciales en diferentes áreas tales como gestión de ficheros históricos, biología, matemáticas, física, reconocimiento de voz, procesamiento del lenguaje natural, economía, composición de música, robótica o aplicaciones de Internet tales como ‘PageRank’, unos algoritmos que ordenan los resultados de una consulta realizada con el motor de búsqueda de Google [8].
Page 191
El uso de modelos de Markov permite predecir comportamientos de un usuario y realizarle sugerencias dependiendo de sus características e intereses y de las características e intereses de usuarios similares. Algunos sistemas de recomendación que utilizan modelos de Markov son PROTEUS [9] y el presentado en [10]. PROTEUS es un sistema que permite personalizar sitios Web teniendo en cuenta los patrones de navegación de los usuarios. Su principal objetivo es reducir el tiempo y el esfuerzo que los usuarios pasan buscando información que les pueda ser útil. Este sistema intenta predecir los caminos más cortos entre distintas páginas Web. La adaptación de este sistema se realiza en dos pasos: i) construcción del modelo de usuario con la información almacenada en los ficheros históricos del sistema y, ii) selección del mejor tipo de adaptación (inclusión de enlaces entre páginas Web, ordenación de los elementos mostrados en una página Web, etc.) dependiendo del modelo de usuario construido en el primer apartado. Kurian et al. presentan un sistema hipermedia semiautomático para la autoría de entornos adaptativos. Este sistema sugiere determinados objetos a los diseñadores del entorno adaptativo, e incluye información semántica relacionada con el objeto actual. Para realizar la recomendación, utiliza modelos ocultos de Markov basados en la información almacenada en los ficheros históricos del propio sistema.
Uno de los principales problemas de los sistemas adaptativos es el proceso de creación de nuevos entornos, sobre todo, para usuarios no expertos. En los entornos adaptativos el diseñador debe especificar los rasgos de adaptación, crear diferentes actividades, proveer distintas versiones de los contenidos multimedia para cada actividad, e incluir criterios de adaptación para recomendar las actividades y contenidos más adecuados para un determinado usuario. Estas tareas son complejas y tediosas para los diseñadores, quienes pueden no poseer suficientes conocimientos técnicos necesarios para desarrollar este tipo de entornos adaptativos, o incluso no disponer de demasiado tiempo para crearlos. Por tanto, es necesario proveer soluciones transparentes que les ayuden a realizar la adaptación de actividades (enlaces y contenidos) de una forma sencilla. Sería interesante poder combinar criterios de adaptación especificados por expertos con recomendaciones basadas en la información de las interacciones previas de otros usuarios. De esta forma, la cantidad de tiempo y esfuerzo dedicado a la definición y construcción de estos entornos adaptativos disminuiría considerablemente.
El trabajo descrito en este artículo se centra en la utilización de modelos de Markov para ofrecer recomendaciones basadas en información sobre las...
Para continuar leyendo
Solicita tu prueba