Aprendizaje activo para mejorar el arranque en frío de sistemas de recomendación

Abstract

Cuando un nuevo usuario hace uso de un sistema de recomendación, no se tiene suficiente información sobre sus preferencias para producir recomendaciones precisas. Este problema es conocido como "arranque en frío". Para lidiar con esta situación, se requiere de un tiempo de aprendizaje en el que el usuario provee una retroalimentación al sistema ndicándole así sus preferencias. Pero esto trae aparejado un inconveniente: cuanto mayor demora suponga este proceso, mayor será la pérdida de tiempo tanto para el usuario como para el proveedor del servicio, además de ser una tarea generalmente tediosa. Es por eso que en este trabajo estudiaremos distintas aproximaciones con el objetivo de reducir el tiempo de aprendizaje del sistema, pero maximizando la utilidad de la información aportada por el usuario. Para ello nos enfocaremos en la aplicación de Aprendizaje Activo, un método de aprendizaje automático que nos ayudará a crear con mayor rapidez un perfil para el usuario en cuestión.

Every time a recommender system has a new user, it does not have enough information to generate recommendations with high precision, this is known as cold start. To deal with this problem, a feedback from the user is needed to know his preferences. This process usually takes a lot of time, which is not desired by neither of them, the user and the service provider. Adapting this problem to a classification problem allow us to apply Active Learning techniques that, as we will see, offer some methods to, given the less possible information about a new user, make right predictions with higher precision than the standard solutions applied in this situation.