PLANTEAMIENTO DE UN SISTEMA RECOMENDADOR BASADO ENrepository.udistrital.edu.co/bitstream/11349/7498/1... · 2019-07-26 · 5.1.2 Qué libro leo ... 6.2.4.2 Método Colaborativo

PLANTEAMIENTO DE UN SISTEMA RECOMENDADOR BASADO EN

CONTENIDO Y COLABORATIVO PARA LA ELECCIÓN DE LIBROS

XENIA VIVIANA CADENA DÍAZ

NELSON ARLEY CARANTÓN GALEANO

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE INGENIERÍA

ESPECIALIZACIÓN EN INGENIERÍA DE SOFTWARE

BOGOTA D.C.

2017

PLANTEAMIENTO DE UN SISTEMA RECOMENDADOR BASADO EN

CONTENIDO Y COLABORATIVO PARA LA ELECCIÓN DE LIBROS

XENIA VIVIANA CADENA DÍAZ

20171099004

NELSON ARLEY CARANTÓN GALEANO

20171099005

ANTEPROYECTO

ROBERTO FERRO

Director

JORGE MARIO CALVO

Revisor

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE INGENIERÍA

ESPECIALIZACIÓN EN INGENIERÍA DE SOFTWARE

BOGOTA D.C.

2017

AGRADECIMIENTOS

A nuestros padres quienes con su paciencia nos ayudaron a llevar el proceso de la

especialización.

A nuestro director quien a pesar de su agenda ocupada nos dedicó tiempo y nos guio en el

proceso de este proyecto.

A nuestro revisor quien con su conocimiento nos hizo todas las correcciones pertinentes

para dejar este libro de la mejor manera posible.

A nuestros compañeros de clase quienes nos hicieron todos los comentarios oportunos con

respecto a su perspectiva y pudimos pulir mucho más el libro de este proyecto.

A la Universidad Distrital Francisco José de Caldas que nos brindó la oportunidad de hacer

esta especialización que nos enriqueció en conocimiento y nuevos amigos.

CONTENIDO

RESUMEN ........................................................................................................................................ 13

INTRODUCCIÓN ............................................................................................................................ 14

1. ESTUDIO DEL PROBLEMA DE INVESTIGACIÓN ............................................................ 16

1.1 PLANTEAMIENTO DEL PROBLEMA .......................................................................... 16

1.2 FORMULACIÓN DEL PROBLEMA .............................................................................. 17

1.3 SISTEMATIZACIÓN DEL PROBLEMA ........................................................................ 17

2. JUSTIFICACIÓN...................................................................................................................... 18

2.1 JUSTIFICACIÓN PRÁCTICA ............................................................................................. 18

3. HIPÓTESIS DE TRABAJO ...................................................................................................... 19

4. OBJETIVOS ............................................................................................................................. 20

4.1 OBJETIVO GENERAL .................................................................................................... 20

4.2 OBJETIVOS ESPECÍFICOS ............................................................................................ 20

5. MARCO REFERENCIAL .................................................................................................... 21

5.1 ESTADO DEL ARTE ........................................................................................................ 21

5.1.1 El templo de las mil puertas ...................................................................................... 21

5.1.2 Qué libro leo .............................................................................................................. 21

5.1.3 Ebrolis ....................................................................................................................... 21

5.1.4 Boolino ...................................................................................................................... 22

5.1.5 Roca Libros ............................................................................................................... 22

5.1.6 Tú que lees ................................................................................................................ 22

5.1.7 BookSeer ................................................................................................................... 22

5.2 MARCO TEÓRICO .......................................................................................................... 23

5.2.1 Sistema Recomendador ................................................................................................. 23

6. RESULTADOS.......................................................................................................................... 25

6.1 PLANEACIÓN DE FASES DEL PROYECTO ................................................................ 25

6.1.1 Fase de Diseño y Desarrollo ...................................................................................... 25

6.1.2 Fase de Pruebas del Sistema Recomendador ............................................................ 27

6.1.3 Fase de Cierre ............................................................................................................ 28

6.2 DISEÑO MÉTRICA PARA EL SISTEMA RECOMENDADOR .................................... 29

6.2.1 Planteamiento Inicial de Sistema Recomendador ..................................................... 29

6.2.2 Entradas del Sistema Recomendador ........................................................................ 30

6.2.3 Salidas del Sistema Recomendador ........................................................................... 32

6.2.4 Métrica Propuesta ...................................................................................................... 32

6.2.4.1 Método Híbrido ......................................................................................................... 32

6.2.4.2 Método Colaborativo ................................................................................................. 34

6.2.4.3 Método Basado en Contenido ................................................................................... 35

6.2.5 Retroalimentación ..................................................................................................... 37

6.2.6 Grado de Personalización .......................................................................................... 38

6.2.7 Diseño de encuestas para determinación de pesos iniciales ...................................... 39

6.2.8 Implementación e interpretación de datos encuestas................................................. 41

6.3 DISEÑO Y DESARROLLO DE PERSISTENCIA DE DATOS ...................................... 44

6.3.1 Diseño Cadena Lógica de Negocio ........................................................................... 44

6.3.2 Construcción de Tablas – Modelo DF ....................................................................... 46

................................................................................................................................................... 46

6.3.3 Diseño Diagrama Base de Datos ............................................................................... 47

6.4 DESARROLLO DEL MODULO RECOMENDADOR ................................................... 49

6.5 PRUEBAS SISTEMA RECOMENDADOR .................................................................... 52

6.5.1 Pruebas con usuarios ................................................................................................. 52

6.5.2 Encuesta de resultados .............................................................................................. 62

6.5.3 Implementación e Interpretación de encuestas .......................................................... 64

6.5.4 Resultado de la retroalimentación del sistema .......................................................... 68

6.5.5 Verificación de preguntas de investigación ............................................................... 73

6.5.5.1 Primera Pregunta de Investigación ............................................................................ 73

6.5.5.2 Segunda Pregunta de Investigación ........................................................................... 73

6.5.5.3 Tercera Pregunta de Investigación............................................................................. 73

6.5.6 Verificación de objetivos ........................................................................................... 74

6.5.7 Verificación de hipótesis ........................................................................................... 74

7. CONCLUSIONES .................................................................................................................... 75

8. RABAJOS FUTUROS .............................................................................................................. 76

8.1 SISTEMA CON MAYOR GRADO DE PERSONALIZACIÓN .......................................... 76

8.2 SISTEMA GAMIFICADO ............................................................................................... 76

8.3 PLATAFORMA WEB ............................................................................................................. 77

8.3 PLATAFORMA MOVIL ................................................................................................... 77

9. BIBLIOGRAFÍA ....................................................................................................................... 78

9.1 BIBLIOGRAFÍA WEB ........................................................................................................... 80

LISTA DE FIGURAS

Figura 1. Fases del proyecto (Autores) ............................................................................ 25

Figura 2. Fase de Diseño y Desarrollo (Autores) ............................................................. 25

Figura 3. Subfase de Diseño Métrica para el Sistema Recomendador (Autores) ............. 26

Figura 4. Subfase de Diseño y Desarrollo de Persistencia de Datos (Autores) ................ 26

Figura 5. Subfase de Diseño y Desarrollo de Módulo Recomendador (Autores) .............. 27

Figura 6. Fase de Pruebas de sistema recomendador (Autores) ..................................... 27

Figura 7. Fase de cierre (Autores) ................................................................................... 28

Figura 8. Sistema Recomendador Planteado (Autores) ................................................... 30

Figura 9. Encabezado encuesta (Autores) ....................................................................... 39

Figura 10. Preguntas encuesta (Autores)......................................................................... 40

Figura 11. Resultados Pregunta Opcional encuesta inicial (Autores) .............................. 42

Figura 12. Cadena Lógica de Negocio del Sistema CLNS Base de Datos (Autores) ....... 45

Figura 13. Diagrama Relacional BD (Autores) ................................................................. 48

Figura 14. Estructura MVC de sistema recomendador 1 (Autores) .................................. 49

Figura 15. Estructura MVC de sistema recomendador 2 (Autores) .................................. 50

Figura 16. Ejemplo de recomendación generada por el sistema (Autores) ...................... 51

Figura 17. Ejemplo de retroalimentación generada en el sistema (Autores) ..................... 51

Figura 18. Encabezado encuesta de resultados (Autores) ............................................... 62

Figura 19. Preguntas de satisfacción encuesta de resultados (Autores) .......................... 63

Figura 20. Pregunta de opinión encuesta de resultados (Autores) ................................... 64

Figura 21. Evidencia de finalización de encuesta de resultados (Autores) ....................... 65

Figura 22. Interacción Gamificación Sistema (Autores) .................................................... 77

LISTA DE TABLAS

Tabla 1. Estructura de Libro (Autores) .............................................................................. 31

Tabla 2. Estructura Perfil Lector (Autores) ........................................................................ 31

Tabla 3. Estructura Recomendación (Autores) ................................................................. 32

Tabla 4. Valor de USum dep. De la Calificación (Autores) ................................................ 37

Tabla 5. Usuario de prueba 1 (Autores) ........................................................................... 52





Tabla 10. Usuario de prueba 6 (Autores).......................................................................... 55

Tabla 11. Usuario de prueba 7 (Autores) .......................................................................... 55



Tabla 14. Usuario de prueba 10 (Autores) ........................................................................ 57











Tabla 25. Resultado de Pesos por Tipo de Recomendación (Autores) ............................. 68

Tabla 26. Resultado de Pesos Recomendación Colaborativa (Autores) ........................... 69

Tabla 27. Resultado de Pesos Recomendación Basada en Contenido (Autores) ............. 70

Tabla 28. Calificación de Satisfacción por Recomendación (Autores) .............................. 71

LISTA DE GRÁFICAS

Gráfica 1. Resultados Pregunta 1 encuesta inicial (Autores) ............................................ 41



Gráfica 4. Resultados Primera Recomendación (Autores) ............................................... 65

Gráfica 5. Resultados Segunda Recomendación (Autores) ............................................. 66

Gráfica 6. Resultados Tercera Recomendación (Autores) ................................................ 66

Gráfica 7. Resultados Cuarta Recomendación (Autores) ................................................. 67

Gráfica 8. Resultados Quinta Recomendación (Autores) ................................................. 67

Gráfica 9. Resultados Pregunta de Opinión (Autores)...................................................... 68

Gráfica 10. Resultado de Pesos por Tipo de Recomendación (Autores) .......................... 69

Gráfica 11. Resultado de Pesos Recomendación Colaborativa (Autores) ........................ 70

Gráfica 12. Resultado de Pesos Recomendación Basada en Contenido (Autores) .......... 71

Gráfica 13. Calificación de Satisfacción por Recomendación (Autores) ........................... 72

13

RESUMEN

El proyecto presentado en este libro, contiene el planteamiento de un sistema recomendador

basado en contenido (recomendación con los atributos de los libros que ya leyó el usuario)

y colaborativo (recomendación con los atributos de los usuarios con perfiles similares a los

del usuario que solicita la recomendación), mediante el planteamiento de un algoritmo

basado en los pesos de los atributos; se plantea que el peso de los atributos por los cuales se

realiza la recomendación de libros, son importantes para poder generar un mejor resultado.

Inicia con el planteamiento de ecuaciones que distribuyen el peso del 100% entre la

recomendación colaborativa y la basada en contenido; luego de esto se redistribuye el peso

de cada tipo de recomendación entre los atributos que posee cada una.

Después de realizado el prototipo del sistema se buscaron 20 usuarios para realizar las

pruebas iniciales del sistema, a los cuales se les realizaron 5 recomendaciones a cada uno,

la primera se realiza otorgándole a cada tipo de recomendación el 50% de peso y así mismo

dividido en partes iguales a los atributos de cada recomendación. La segunda

recomendación se realizó con los pesos obtenidos en una encuesta realizada inicialmente a

100 usuarios de los cuales 60 contestaron y con los que se generaron pesos iniciales. Las

otras tres recomendaciones se realizaron con la retroalimentación obtenida de la

recomendación anterior.

Para poder determinar los resultados ser realizaron encuestas a los 20 usuarios, con las que

se concluyó que el peso de cada atributo si varía con cada recomendación y que además

estos si son importantes para que al usuario se le genere la recomendación que mejor se

adecúe a sus gusto.

14

INTRODUCCIÓN

Con el pasar de los años, el mundo Web ha presentado un crecimiento exponencial

hablando de sitios, documentos Web y el uso del internet. Es por esto que el manejo de la

gran cantidad de información que existe en este mundo, es cada vez más complicado, sobre

todo a la hora de buscar información. Es aquí donde han ido consolidándose herramientas

que ayudan a disminuir la sobrecarga de información; entre estas herramientas existen los

SR (Sistemas Recomendadores), los cuales filtran los ítems de la información a partir de

técnicas que identifican los principales atributos que más se acomodan a las preferencias de

los usuarios, recomendaciones que se generan a partir de gustos de otros usuarios o del

contenido de la información [1].

La estructura de estos sistemas, plantea que deben tener unas entradas y unas salidas, debe

manejar un método (basado en contenido y colaborativos) [2][3] que genere las

recomendaciones (salidas) y un grado de personalización (no personalizados,

personalización efímera y personalización persistente). Cabe destacar que los métodos no

son excluyentes y se pueden usar en el mismo sistema para generar recomendaciones [4].

Existen una gran variedad de SR en el mundo Web, Netflix por ejemplo le brinda al usuario

recomendaciones de series o películas a partir del contenido al que ya haya accedido

anteriormente el mismo usuario, método basado en contenido. Tinder por ejemplo

recomienda a sus usuarios usando el método colaborativo, recomendando posibles parejas

basado en el perfil del usuario. Pero no hay que quedarse ahí, sistemas como el buscador de

Google implementan un SR híbrido para arrojar el mejor resultado en la búsqueda, cuando

busca el contenido de las páginas web basándose en la búsqueda y para clasificar esos

resultados según la geolocalización de la persona que realiza la consulta [5]. También

existen SR como Waze que se apoyan de los recorridos hechos por otros usuarios en tiempo

real para recomendar la ruta óptima para llegar al destino.

15

El objetivo principal en este proyecto es el planteamiento de un Sistema Recomendador

basado en contenido y colaborativo para generarle al usuario la mejor recomendación de

libros para su próxima lectura. Se quiere que el sistema implemente un híbrido con los

métodos de recomendación ya mencionados y para esto se planteará una métrica basada en

pesos asignados a los atributos de los libros y los usuarios con los que se generará la

recomendación y retroalimentará la métrica del sistema cada vez que se genere.

16

1. ESTUDIO DEL PROBLEMA DE INVESTIGACIÓN

1.1 PLANTEAMIENTO DEL PROBLEMA

Un “sistema recomendador” analiza y procesa información histórica de los usuarios (edad,

compras previas, calificaciones…), de los productos o de los contenidos (marcas, modelos,

precios, contenidos similares…) y la transforma en conocimiento accionable, es

decir, predice qué producto puede ser interesante para el usuario y para la empresa. Los

recomendadores, además, tienen cierto nivel de autonomía a la hora de presentar las

recomendaciones al usuario final. Estos sistemas se han hecho muy populares en los

últimos años. Entre los ámbitos más extendidos se encuentran las recomendaciones de

productos en tiendas online, películas, vídeos, música, libros, productos o recomendaciones

de perfiles a los que seguir en redes sociales.

Existen sistemas recomendadores de libros que le indican al usuario los libros que podría

leer, basado en calificaciones de otras personas; esto genera un problema, las calificaciones

no siempre representan lo que el usuario quiere y además podrían presentarse

ambigüedades a la hora de generar una recomendación. También existen sistemas que

recomiendan a partir de las características de los libros y las escogencias anteriores de sus

usuarios dándole un peso similar a todas las características mencionadas; pero todo esto si

compras libros desde su tienda. No existen sistemas populares que recomienden libros

basados en más características y que además le dé prioridad a determinadas características

dependiendo de resultados anteriores. Hasta el momento no se ha encontrado una

aplicación que tenga en cuenta el historial de lecturas del usuario y que además combine

estas características con el historial de perfiles similares a los del usuario; pero esto no es

todo, las aplicaciones actuales no retroalimentas su método, por lo que si se equivocan en

su recomendación lo seguirán haciendo porque no aprenderán de las recomendaciones

anteriores.

17

Es decir, un sistema recomendador de libros que no recomiende con base a un historial de

lectura, perfiles similares, calificaciones y que además se retroalimente para mejorar con

cada recomendación; puede llevar a generar la recomendación más cercana a los gustos del

usuario.

1.2 FORMULACIÓN DEL PROBLEMA

¿Cómo recomendar a un usuario la mejor opción de libro a leer y que a su vez esta

recomendación ayude a retroalimentar el sistema?

1.3 SISTEMATIZACIÓN DEL PROBLEMA

- ¿Cuál es el mejor algoritmo de recomendación para un sistema que recomiende libros?

- ¿Qué método es útil para que el sistema recomendador aumente su exactitud con

respecto a los gustos del usuario?

- ¿Cuáles son los atributos que más pesos deben tener a la hora de generar una

recomendación de libros?

18

2. JUSTIFICACIÓN

2.1 JUSTIFICACIÓN PRÁCTICA

Algunas personas toman la iniciativa de empezar a leer un libro ya sea por investigar o por

entretenimiento, pero se les presenta el problema más común para el mundo de los lectores

¿Qué libro leer? Existen herramientas que basadas en calificaciones de otros usuarios le

recomiendan a la persona el libro que podría leer, pero estas herramientas no siempre son

las más efectivas. Las calificaciones que dan otros usuarios podrían no ser iguales al

pensamiento del usuario que consulta. Además de esto, las bases de datos suelen no

aumentar su información y los resultados empiezan a repetirse.

Es por esto que es importante unir la recomendación basada en contenido junto con la

colaborativa y plantear una métrica que se retroalimente para que genere una lista de libros

recomendados basados en el historial de lecturas del usuario y el historial de otras personas

con su mismo perfil, también se presenta la necesidad retroalimentar el sistema con cada

recomendación que se genere para que el sistema actualice la importancia de cada atributo

con respecto a las anteriores.

19

3. HIPÓTESIS DE TRABAJO

Los Sistemas Recomendadores, surgen para facilitar la toma de decisiones en temas en los

que las opciones son numerosas y variadas. Estos sistemas son utilizados para indicar

información, productos, y otros ítems a los usuarios que los visitan, tratan de automatizar

aspectos de un modelo de búsqueda de información completamente distinto al tradicional

[6]. Con base a esto y lo planteado para el sistema se afirma qué:

- Un sistema recomendador basado en el historial de lectura del usuario y su perfil, es

más eficiente que aquellos que se basan en calificaciones de otros usuarios.

- El uso de pesos para cada atributo dependiendo de recomendaciones pasadas,

aproximan al sistema a generar una recomendación acertada para el usuario.

- Los algoritmos que se retroalimentan por las decisiones que toman los usuarios, son

más acertadas para arrojar recomendaciones a las personas.

20

4. OBJETIVOS

4.1 OBJETIVO GENERAL

Plantear un sistema de recomendación basado en contenido y colaborativo para facilitar la

elección de libros y facilite la retroalimentación del sistema.

4.2 OBJETIVOS ESPECÍFICOS

- Diseñar un algoritmo de recomendación basado en contenido y colaborativo con pesos

dinámicos para los atributos, que genere la recomendación que mejor se adapte al

usuario.

- Plantear un método de recomendación que se retroalimente con cada recomendación

para que con cada ejecución mejore su exactitud con respecto a los atributos del

usuario y los libros.

- Desarrollar un prototipo básico del sistema recomendador planteado para determinar si

el algoritmo planteado funciona con los usuarios escogidos para la generación de

resultados.

21

5. MARCO REFERENCIAL

5.1 ESTADO DEL ARTE

5.1.1 El templo de las mil puertas

El Templo de las Mil Puertas es una revista de literatura juvenil online, gratuita y bimestral.

El Recomendador es un test que hace una serie de preguntas para averiguar qué tipo de

libro está buscando el lector y descartar las demás opciones. El orden en que salen las

preguntas del Recomendador es aleatorio. Si se quiere hacer muchos cambios, es

recomendable empezar el test de nuevo. El Recomendador tiene una base de datos de más

de cuatrocientas reseñas. [20][20]

5.1.2 Qué libro leo

Quelibroleo.com es una web de intercambio de gustos literarios con una extensa base de

datos en la que la opinión de cada lector es importante. [21]

5.1.3 Ebrolis

Ebrolis es un servicio de email gratuito que informa sobre las mejores ofertas de libros

electrónicos. El usuario selecciona los tipos de libro que le interesan y Ebrolis le sugiere

ebooks gratis o a precio muy bajo dentro de esos géneros. Las categorías van desde

misterios hasta libros sobre negocios, pasando por historia, política, cocina y mucho más.

[22]

http://www.quelibroleo.com/

22

5.1.4 Boolino

Boolino blog es un espacio de actualidad donde comparten ideas y opiniones sobre temas

relacionados con la literatura infantil y la animación lectora, artículos de actualidad y

recomendaciones de libros y apps. boolino es un proyecto participativo e interactivo. [23]

5.1.5 Roca Libros

Roca Libros es una editorial que recomienda libros basado en las emociones del usuario.

Está asociada con más editoriales y con escritores nuevos. [24]

5.1.6 Tú que lees

Esta página busca una recomendación de libros a partir de los últimos libros leídos por el

usuario. [25]

5.1.7 BookSeer

Bookseer recomienda al usuario su siguiente lectura a partir del último libro leído por el

mismo autor. [26]

https://www.boolino.es/es/blogboolino/

23

5.2 MARCO TEÓRICO

5.2.1 Sistema Recomendador

Un Sistema Recomendador SR está asociado con un conjunto de ítems I = { i1,...,in } y su

objetivo es recomendar a los usuarios ítems de I que les puedan ser de interés. Por ejemplo,

se podría diseñar un SR para la recomendación de películas; de hecho a lo largo de la

literatura hemos encontrado numerosos ejemplos de SR de películas, tales como Film-

Conseil, MovieFinder, Reel o MetaLens entre otros. En el caso de un SR para la

recuperación de documentos los ítems serían los documentos almacenados [12].

La implementación de técnicas para el desarrollo de los SR está íntimamente relacionada

con el tipo de información que se vaya a utilizar. Una primera fuente de información a tener

en cuenta es el tipo de ítems con los que vamos a trabajar. Habrá situaciones en las que

únicamente conozcamos un identificador de cada ítem. Por ejemplo en el caso de la

recomendación de películas solemos conocer únicamente el título. En otras situaciones,

dispondremos de más información sobre los ítems, a través de una serie de atributos. En el

caso de la recomendación de películas, podrían ser el año en que se hizo la película, el

género, el director, protagonistas, etc. En el caso de recuperación de documentos, la

información con la que contamos serían los términos índice usados en su representación. En

general, cuanto más sofisticada es la representación de los ítems mejor se puede desarrollar

la actividad de los SR [12].

En cualquier caso, algunos aspectos que debemos considerar sobre las recomendaciones en

el diseño de SR son [12]:

- Representación de las recomendaciones: Los contenidos de una evaluación pueden

venir dados por un único bit (recomendado o no) o por comentarios de texto sin

estructurar.

24

- Expresión de las recomendaciones: Las recomendaciones pueden ser introducidas de

forma explícita o bien de forma implícita.

- Aspectos de identificación de la fuente: Las recomendaciones pueden realizarse de

forma anónima, identificando la fuente, o bien usando un pseudónimo.

- Forma de agregar las evaluaciones: Se refiere a cómo vamos a ir agregando las

evaluaciones disponibles sobre los ítems de cara a generar las recomendaciones. Más

adelante entraremos en más detalle sobre este aspecto que es de suma importancia de

cara a clasificar los SR.

- Uso de las recomendaciones: Las recomendaciones se pueden usar de distintas formas.

Por ejemplo, se podrían mostrar los ítems en forma de lista ordenada según las

recomendaciones de cada uno, o a la hora de visualizar los ítems que se muestre

también su recomendación.

25

6. RESULTADOS

6.1 PLANEACIÓN DE FASES DEL PROYECTO

El enfoque principal en este proyecto es el diseño para la métrica de recomendación.

Seguido del prototipo con el que se probará la métrica planteada y por último la recolección

de la información para presentar los resultados del proyecto. Para esto se hizo planeación

para tres fases principales adicionales a la planeación que es la fase que se está explicando:

Diseño y Desarrollo, Pruebas

Figura 1. Fases del proyecto (Autores)

6.1.1 Fase de Diseño y Desarrollo

Esta fase comprende tres subfases que contienen el diseño de la métrica de recomendación,

diseño y desarrollo de la persistencia de datos y diseño y desarrollo del módulo

recomendador.

Figura 2. Fase de Diseño y Desarrollo (Autores)

26

La subfase de Diseño Métrica para el Sistema Recomendador es la más importante para el

proyecto, ya que es donde se plantea la forma en que el sistema va a recomendar los libros,

comprende el diseño de las encuestas para determinar valores iniciales, el análisis de la

misma y por último el planteamiento de la métrica.

Figura 3. Subfase de Diseño Métrica para el Sistema Recomendador (Autores)

La subfase de Diseño y Desarrollo de Persistencia de Datos, contiene el diseño de la base

de datos para el sistema.

Figura 4. Subfase de Diseño y Desarrollo de Persistencia de Datos (Autores)

27

La subfase de Diseño y Desarrollo de Modulo Recomendador es en la que se elabora el

prototipo con el que se probará la métrica planteada.

Figura 5. Subfase de Diseño y Desarrollo de Módulo Recomendador (Autores)

6.1.2 Fase de Pruebas del Sistema Recomendador

Esta fase comprende el proceso en el que se definen los resultados de la implementación de

la métrica con el prototipo y la aplicación a 20 usuarios.

Figura 6. Fase de Pruebas de sistema recomendador (Autores)

28

6.1.3 Fase de Cierre

Esta fase es la que se realiza después de terminar el proceso de diseño de métrica,

desarrollo de prototipo y pruebas del sistema recomendador, aquí se desarrolla la fase de

documentación y entrega del proyecto.

Figura 7. Fase de cierre (Autores)

29

6.2 DISEÑO MÉTRICA PARA EL SISTEMA RECOMENDADOR

Los sistemas de recomendación ayudan a filtrar información de interés para los usuarios,

información como noticias, páginas web, música, películas, libros entre otros. Por lo tanto

requieren procesos de entrada y salida, trabajan con un método (basado en contenido o

colaborativo o ambos) [2][3] los cuales generan las recomendaciones es decir salidas y todo

mediante un grado de personalización:

i. No personalizados

ii. Personalización efímera

iii. Personalización persistente

Este grado de personalización define que tan enfocado está el sistema recomendador en

cada usuario, algo como un grado 1, 2 o 3 el más alto. Además de todo esto los métodos

mencionados no son excluyentes y por eso se pueden usar ambos para generar

recomendaciones [4]. A continuación se realiza el planteamiento del sistema recomendador

el cual es un híbrido entre la recomendación colaborativa (recomendación a partir del perfil

de otros usuarios similares al perfil del usuario que consulta) y la basada en contenido

(recomendación a partir de las últimas lecturas del usuario). [19]

6.2.1 Planteamiento Inicial de Sistema Recomendador

Como ya se mencionó el sistema que se plantea es un híbrido entre la recomendación

basada en contenido y la recomendación colaborativa; con un grado de personalización

persistente [10] y una retroalimentación para actualizar la métrica con cada recomendación

aceptada por el usuario. La figura 8 muestra cómo se pretende plantear el sistema

recomendador. [19]

30

Figura 8. Sistema Recomendador Planteado (Autores)

6.2.2 Entradas del Sistema Recomendador

El sistema recomendador estará apoyado en dos tipos de entradas, entradas de

recomendación basada en contenido (RBC) y entradas para recomendación colaborativa

(RC).

Las entradas de la recomendación basada en contenido son los últimos 3 libros leídos por el

usuario, como requerimiento para registrarse en el sistema el usuario deberá inscribir 3

libros que ya haya leído, y si no tienen opciones para inscribir se generará recomendaciones

inicialmente con la colaborativa. Volviendo a la RBC la estructura de cada libro será la

mostrada en la tabla 1. [19]

31

Atributo Descripción

Título Título del libro.

Autor Autor del libro

Género Género literario del libro

Descripción Breve sinopsis del libro.

Donde

Encontrarlo

Esta parte está dedicada para que los usuarios informen donde consiguieron

el libro, ya sea una tienda o página web

Imagen Imagen de la portada del libro si se tiene, de lo contrario el sistema le

asignará una por defecto dependiendo del género literario.

Calificación

Esta es la calificación o puntuación generada a partir de las personas que ya

leyeron el libro, se divide así:

- No me gustó

- Ni me gustó ni me disgustó

- Me gustó

- Lo recomiendo

- De mis favoritos

Comentarios Comentario(s) de personas que ya hayan leído el libro.

Tabla 1. Estructura de Libro (Autores)

Para la recomendación colaborativa RC la entrada es el perfil del usuario que solicita la

recomendación, la estructura del perfil del lector se muestra en la tabla 2.

Atributo Descripción

Nombre Nombre Completo del usuario

Año

Nacimiento Fecha de nacimiento del usuario

País de

Nacimiento País en que nació el usuario

País de

Residencia País donde vive actualmente el usuario.

Sexo Femenino / Masculino / Otro

Nivel

Educativo Primaria, Bachillerato, Pregrado, Especialización, Maestría, Doctorado.

Estado Civil Estado Civil del usuario

Géneros de

Interés

Son los temas de interés que el usuario tiene sobre las lecturas,

relacionados con los géneros literarios.

Puntaje

Lector

Este campo se pretende usar para trabajos futuros, es el puntaje de

acciones realizadas en el sistema por parte del usuario.

Libros Leídos Lista de libros que ya ha leído el usuario

Libros por

leer

Listado de libros por leer que el usuario agregó a la hora de solicitar

recomendaciones, los cuales tienen la misma estructura de los libros

seleccionados en la recomendación.

Tabla 2. Estructura Perfil Lector (Autores)

32

6.2.3 Salidas del Sistema Recomendador

Las salida del sistema recomendador es una lista ordenad por ponderación de los libros

recomendados por el sistema, cada libro además de mostrar la información de cada uno,

tendrá asociado una estructura la cual será temporal. Esta estructura se muestra en la tabla

3. [19]

Atributo Descripción Título Atributo único del libro

Ponderación Calificación generada por el sistema a la hora de realizar la recomendación.

Característica

General Define si el libro fue seleccionado por RBC, por RC o por ambas.

Característica

Específica Listado de los atributos por los cuales el libro fue recomendado.

Leído

Característica dedicada al usuario el cual podrá definir si el libro que se le

recomienda ya lo leyó para que sea guardado en su lista de leídos y el usuario

pueda darle una calificación.

Por Leer Característica dedicada al usuario el cual guarda el libro en la lista de libros por

leer del usuario.

Calificación Característica que el usuario genera cuando selecciona la opción de leído.

Tabla 3. Estructura Recomendación (Autores)

6.2.4 Métrica Propuesta

Como se mencionó anteriormente, el planteamiento de este sistema propone usar los dos

tipos de recomendación ya dichos, la recomendación basada en contenido que se enfoca en

las preferencias del usuario activo y los atributos de los ítems a recomendar; y el

colaborativo que usa la información conocida sobre las preferencias de otros usuarios para

realizar la recomendación al usuario que la solicita. [13]

6.2.4.1 Método Híbrido

El método híbrido es la unión de ambos métodos para mostrar resultados al usuario. Se

propone asignar una ponderación a cada tipo de recomendación y la unión de las dos dará el

100% del sistema recomendador o sistema híbrido. La máxima ponderación para cada

método se calculará de la siguiente forma:

33

𝑃𝑇𝐶 = 𝑃𝑅𝐵𝐶 + 𝑃𝑅𝐶 (1)

𝑃𝑅𝐵𝐶 = 𝑁𝑆𝑅𝐵𝐶 ∗ 𝑃𝑇𝐶

𝑁𝑆𝑇𝑜𝑡 (2)

𝑃𝑅𝐶 = 𝑁𝑆𝑅𝐶 ∗ 𝑃𝑇𝐶

𝑁𝑆𝑇𝑜𝑡 (3)

𝑁𝑆𝑇𝑜𝑡 = 𝑁𝑆𝑅𝐵𝐶 + 𝑁𝑆𝑅𝐶 (4)

En donde:

PTC: Puntuación ponderada máxima, la cual será 100

PRBC: Puntuación Máxima de Recomendación basada en contenido.

PRC: Puntuación Máxima de Recomendación Colaborativa.

Cabe destacar que los valores de PRBC y PRC deben ser enteros, por lo que se realizará

una aproximación en su cálculo para eliminar decimales. [19]

𝑁𝑆𝑇𝑜𝑡: 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑒𝑙𝑒𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠

𝑁𝑆𝑅𝐵𝐶: 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑒𝑙𝑒𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑎𝑟𝑎 𝑅𝐵𝐶

𝑁𝑆𝑅𝐶: 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑒𝑙𝑒𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑎𝑟𝑎 𝑅𝐶

Esta ponderación calculada para cada método pasará a ser el 100% sobre el cual se realizará

el cálculo del peso de cada atributo del método de recomendación. Si hay libros

recomendados que estén en las dos listas entonces se suma la ponderación que tenga en

ambas selecciones y se deja un solo registro. Finalmente se ordena de mayor a menor por la

ponderación de cada libro y esta es la lista que se muestra al usuario. [19]

NOTA: Para el comienzo de la aplicación se realizará una encuesta para determinar la

puntuación máxima de cada método y el peso inicial de cada atributo el cual será cambiante

dependiendo de las elecciones de los usuarios.

34

6.2.4.2 Método Colaborativo

En el método Colaborativo se buscan dentro de los usuarios perfiles similares al del usuario

que realiza la solicitud. Para esto primero se traen todos los perfiles que tengan al menos un

atributo en común con el usuario activo. Las características que se buscan son [19]:

- Edad

- País de nacimiento

- País de residencia

- Año de nacimiento

- Sexo

- Nivel Educativo

- Estado Civil

- Géneros de interés

Primero se calcula el peso de cada atributo para así generar la ponderación de cada uno y su

sumatoria. Para esto se parte de los valores que se tenían anteriormente en el método

híbrido [19]:

𝑁𝑆𝑅𝐶: 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑒𝑙𝑒𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑎𝑟𝑎 𝑅𝐶

PRC: Puntuación Máxima de Recomendación Colaborativa.

Con estos valores se generan los siguientes cálculos:

%𝑃𝐴𝑡𝑟𝑖𝑏 =𝑁𝑆𝐴𝑡𝑟𝑖𝑏 ∗ 1

𝑁𝑆𝑅𝐶 (5)

𝑃𝐴𝑡𝑟𝑖𝑏 = %𝑃𝐴𝑡𝑟𝑖𝑏 ∗ 𝑃𝑅𝐶

100 (6)

En donde:

%𝑃𝐴𝑡𝑟𝑖𝑏 ∶ 𝑃𝑜𝑟𝑐𝑒𝑛𝑡𝑎𝑗𝑒 𝑑𝑒 𝑝𝑒𝑠𝑜 𝑑𝑒𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜

𝑃𝐴𝑡𝑟𝑖𝑏 ∶ 𝑃𝑒𝑠𝑜 𝑑𝑒𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜

35

Este peso es el que se le da a cada atributo y se suman para tener la ponderación. Pero

existen atributos que además de tener un peso se debe calcular el subpeso ya que el perfil

puede tener más de uno en el atributo, es el caso para “géneros de interés” el peso del

atributo que se calculó anteriormente es para la totalidad del atributo. Entonces se debe

calcular un subpeso mostrado en la ecuación 7 [19]:

𝑆𝑏𝑝𝐴𝑡𝑟𝑖𝑏 = 𝑃𝐴𝑡𝑟𝑖𝑏

𝑁𝐼𝐴𝑡𝑟𝑖𝑏 (7)

En donde:

𝑆𝑏𝑝𝐴𝑡𝑟𝑖𝑏: 𝑆𝑢𝑏𝑝𝑒𝑠𝑜 𝑑𝑒𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜

𝑁𝐼𝐴𝑡𝑟𝑖𝑏: 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑡𝑒𝑚𝑠 𝑑𝑒𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜

Así pues para las áreas profesionales 𝑁𝐼𝐴𝑡𝑟𝑖𝑏 es el número de géneros de interés del perfil

del usuario activo. Luego de tener el ponderado de cada atributo se suman los pesos de cada

atributo en común encontrado con el perfil del usuario activo. Con esto se tienen los

ponderados de cada perfil y se ordena de mayor a menor, pero se necesitan es libros, por lo

que se seleccionan de la lista de libros leídos de cada perfil los 5 libros con mejor

calificación y que no haya leído el usuario activo y se les da como ponderación la que se le

dio al perfil. [19]

6.2.4.3 Método Basado en Contenido

El método basado en contenido busca coincidencias con los atributos de los libros respecto

a los últimos 10 libros con mejor calificación que haya leído el usuario activo. Los atributos

por los que se busca coincidencia son:

- Autor

- Género

- Año de nacimiento del autor

36

Primero toca calcular el peso de cada atributo para así generar la ponderación de cada uno y

su sumatoria. Para esto se parte de los valores que se tenían anteriormente en el método

híbrido [19]:

𝑁𝑆𝑅𝐵𝐶: 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑒𝑙𝑒𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑎𝑟𝑎 𝑅𝐵𝐶

PRBC: Puntuación Máxima de Recomendación Basada en Contenido.

Con estos valores se generan los siguientes cálculos:

%𝑃𝐴𝑡𝑟𝑖𝑏 =𝑁𝑆𝐴𝑡𝑟𝑖𝑏 ∗ 1

𝑁𝑆𝑅𝐵𝐶 (8)

𝑃𝐴𝑡𝑟𝑖𝑏 = %𝑃𝐴𝑡𝑟𝑖𝑏 ∗ 𝑃𝑅𝐵𝐶

100 (9)

En donde:

%𝑃𝐴𝑡𝑟𝑖𝑏 ∶ 𝑃𝑜𝑟𝑐𝑒𝑛𝑡𝑎𝑗𝑒 𝑑𝑒 𝑝𝑒𝑠𝑜 𝑑𝑒𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜

𝑃𝐴𝑡𝑟𝑖𝑏 ∶ 𝑃𝑒𝑠𝑜 𝑑𝑒𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜

Para el subpeso del atributo “Género” se realiza el mismo cálculo de la ecuación 7 y así

obtener el subpeso de cada género del conjunto de los 10 libros leídos por el usuario activo.

𝑆𝑏𝑝𝐴𝑡𝑟𝑖𝑏 = 𝑃𝐴𝑡𝑟𝑖𝑏 ∗ %𝑆𝑏𝑝_𝑃𝐴𝑡𝑟𝑖𝑏

100 (10)

Con estos pesos se realiza la suma de cada atributo en común con los libros del usuario

activo y se obtendrá la ponderación de cada libro para luego ordenarla de mayor a menor

por ponderación. [19]

37

6.2.5 Retroalimentación

El usuario tendrá la opción para cada libro de decir si ya lo leyó o si lo va a leer, para cada

recomendación escogida existirá un comportamiento diferente que el sistema generará para

retroalimentar la métrica de ponderación para la recomendación de libros.

Caso 1: El usuario escogió un libro y lo seleccionó como ya leído, se realiza la siguiente

retroalimentación:

Primero le aparecerá al usuario la opción de calificar el libro y si lo desea dejar un

comentario sobre el libro. Después para el usuario quedará en su perfil el libro guardado en

la lista de libros leídos. Esto por parte del usuario, para el sistema todavía queda una tarea

más. Con la calificación se determina si la unidad a sumar 𝑈𝑆𝑢𝑚 es 1 o -1 dependiendo de

la calificación es así [19]:

Calificación Valor de 𝑼𝑺𝒖𝒎

No me gustó -1

Ni me gustó ni me disgustó 0

Me gustó 1

Lo recomiendo 1

De mis favoritos 1

Tabla 4. Valor de USum dep. De la Calificación (Autores)

Se suma 𝑼𝑺𝒖𝒎 a 𝑵𝑺𝑻𝒐𝒕

a) Si el libro seleccionado tiene como característica general RBC se sumará 𝑈𝑆𝑢𝑚 al

valor 𝑁𝑆𝑅𝐵𝐶 pero, si la característica general es RC se sumará 𝑈𝑆𝑢𝑚 al valor 𝑁𝑆𝑅𝐶

b) Si en cambio la característica general es RBC y RC entonces se le suma (2 ∗ 𝑈𝑆𝑢𝑚)

a 𝑁𝑆𝑇𝑜𝑡 y 𝑈𝑆𝑢𝑚 a 𝑁𝑆𝑅𝐵𝐶 y 𝑁𝑆𝑅𝐶

c) Luego de realizar estas sumas se vuelve a realizar el cálculo de PRBC y PRC.

Para el caso de los pesos de cada atributo se realiza la siguiente suma:

38

𝑁𝑆𝐴𝑡𝑟𝑖𝑏 = 𝑁𝑆𝐴𝑡𝑟𝑖𝑏 + 𝑈𝑆𝑢𝑚

𝑁𝐴𝐶𝑀𝑒𝑡 (11)

En donde:

𝑁𝐴𝐶𝑀𝑒𝑡: Número de atributos en común del libro para el método, ya sea RBC o RC.

Por último se procede a calcular de nuevo el peso de cada atributo 𝑃𝐴𝑡𝑟𝑖𝑏 para las siguientes

recomendaciones.

Caso 2: El usuario selecciona un libro y escoge la opción “por leer”, se realiza la siguiente

retroalimentación:

Se agrega el libro a la lista de libros por leer del usuario con las características de libro

recomendado, cuando el usuario ingrese a su perfil y determine que ya leyó el libro, se

realizarán los mismos pasos que el Caso 1 [19].

6.2.6 Grado de Personalización

Como ya se mencionó anteriormente existen 3 grados de personalización [10]:

a) Cuando los SR proporcionan las mismas recomendaciones a todos los usuarios, son

clasificados en este ámbito como no personalizados.

b) Los SR que tienen en cuenta la información actual del usuario objeto de las

recomendaciones, proporcionan personalización efímera.

c) Los SR que ofrecen el mayor grado de personalización son los que usan personalización

persistente ofreciendo recomendaciones distintas para distintos usuarios, incluso cuando

estén buscando el mismo ítem.

39

Para este sistema se determinó con base en estos conceptos, que el grado de

personalización del sistema es “Persistente”, ya que se logra una recomendación por cada

perfil de usuario y gustos, cada vez que realiza la consulta el sistema se enfoca únicamente

en el usuario activo [19].

6.2.7 Diseño de encuestas para determinación de pesos iniciales

Se diseñó una encuesta sencilla en la que se requiere saber lo que más le importa a los

usuarios para seleccionar un libro para leer. A continuación se muestra la encuesta que se

diseñó desde formularios de google.

Figura 9. Encabezado encuesta (Autores)

40

Figura 10. Preguntas encuesta (Autores)

41

6.2.8 Implementación e interpretación de datos encuestas

Se le envió la encuesta a 60 personas, de las cuales 52 contestaron la encuesta obteniendo

como resultado lo siguiente:

Gráfica 1. Resultados Pregunta 1 encuesta inicial (Autores)


42


Figura 11. Resultados Pregunta Opcional encuesta inicial (Autores)

43

Viendo los resultados de la encuesta se evidencia lo siguiente:

i. A los usuarios encuestados les importa más las características del libro que los

libros escogido por perfiles similares al suyo.

ii. Para la recomendación basada en contenido RBC se evidencia que lo que más le

importa al usuario es el género literario del libro, seguido en igual importancia el

autor y el título del libro.

iii. Para la recomendación colaborativa RC se escogió como característica principal los

temas o géneros de interés del usuario, seguido del nivel educativo. Se evidencia

que en ambas recomendaciones predomina el género literario del libro.

iv. Estos valores se van a tomar para valores iniciales de la métrica del sistema

recomendador.

v. Por último está la pregunta opcional hecha a los usuarios para saber si hay

características que no estemos tomando en cuenta, cada una de las opciones

recomendadas no fueron repetidas por ningún usuario, por lo que se tendrán en

cuenta para trabajos futuros del sistema recomendador.

44

6.3 DISEÑO Y DESARROLLO DE PERSISTENCIA DE DATOS

El diseño de la base de datos se realizó teniendo en cuenta las siguientes entidades

principales:

Libro

Lector

Recomendación

A partir de estas entidades surgieron las demás, el diseño de la base de datos del proyecto se

evidencia a continuación.

6.3.1 Diseño Cadena Lógica de Negocio

La cadena lógica de negocio del sistema contempla lo que se va a controlar que son las

lecturas, los libros y las recomendaciones y muestra para quien se va a controlar, en este

caso es el lector.

45

Figura 12. Cadena Lógica de Negocio del Sistema CLNS Base de Datos (Autores)

46

6.3.2 Construcción de Tablas – Modelo DF

Convenciones: PK, FKD, FKP

Id_Lector, Nombre, NickName, Año_nacimiento, Pais_nacimiento,

Lector: Pais_residencia, Sexo, Nivel_Educativo, Género_Interes, Estado_Civil,

Puntaje_Lector, Password, Email

Lector_Género_Interes: Id_Lector + Id_Género_Interes

Género: Id_Género, Nombre, Descripción

País: Id_País, Nombre

Nivel_Educativo: Id_Nivel, Nombre

Estado_Civil: Id_Estado, Nombre

Id_Lectura, Libro, Lector, Fecha_Lectura, Estado,

Lectura:

Calificación, Comentario, Recomendación

47

Id_Libro, Nombre, Autor, Genero, Descripción,

Libro:

Donde_Encontrarlo, Calificación, Imagen, Num_Califi

Autor: Id_Autor, Nombre. Año_Nacimiento, Año_Muerte, Pais_Nacimiento

Recomendación: Id_Recomendación, Fecha, Libro, Ponderado

Atributo_Seleccionado: Id_Atrib_Sel, Nombre, Recomendación, Tipo_Recomendación

Tipo_Recomendación: Id_Tipo_Rec, Nombre, Puntuación, Número_Selecciones

Id_Atributo, Nombre, Tipo_Recomendación, Peso, Porcentaje,

Atributo:

Número_Hijos, Atributo_Padre, Número_Selecciones

6.3.3 Diseño Diagrama Base de Datos

A continuación se muestra el diagrama relacional que resultó después del análisis realizado

anteriormente.

48

Figura 13. Diagrama Relacional BD (Autores)

49

6.4 DESARROLLO DEL MODULO RECOMENDADOR

El sistema recomendador se desarrolló en el lenguaje de programación JAVA con el

Framework Spring; se usó la arquitectura MVC con la ayuda del framework. La estructura

de cómo quedó el sistema se ve a continuación:

Figura 14. Estructura MVC de sistema recomendador 1 (Autores)

50

Figura 15. Estructura MVC de sistema recomendador 2 (Autores)

Como se evidencia se está aplicando la arquitectura MVC ya que se está implementado por

un lado el mapeo de las entidades de las bases de datos mediante la ayuda de Spring que

usa JPA. Luego se puede observar la parte de los controladores que se encargan de conectar

los modelos con las vistas y los DAOS que se conectan con la base de datos.

No se desarrolló una interfaz gráfica por lo que todos los resultados de las recomendaciones

se obtuvieron a través de una estructura JSON en una vista HTML sin estructura alguna. En

la siguiente figura se muestra como el sistema arroja los resultados. Cabe aclarar que para

poder probar con usuarios, se ingresó manualmente la información de éstos mismos a la

base de datos directamente. Se pretende mencionar que todo esto se automatizará con la

plataforma web en los trabajos futuros del proyecto.

51

Figura 16. Ejemplo de recomendación generada por el sistema (Autores)

Para la retroalimentación del sistema se muestra la siguiente imagen, que indica que los

pesos se han actualizado con la recomendación que el usuario escogió:

Figura 17. Ejemplo de retroalimentación generada en el sistema (Autores)

52

6.5 PRUEBAS SISTEMA RECOMENDADOR

6.5.1 Pruebas con usuarios

Después de realizado el prototipo del sistema recomendador se aplicó a 20 personas para

poder ver el resultado del recomendador y el comportamiento del peso de los atributos

conforme se retroalimenta el sistema por cada recomendación realizada a los usuarios. Se

realizaron 5 recomendaciones a cada usuario y luego de que el usuario leyó la sinopsis y el

primer capítulo de cada libro, realizaron una calificación del libro y su apreciación con

respecto a la recomendación realizada. La primera recomendación se realizó con pesos

distribuidos equitativamente, es decir 50% para recomendación basada en contenido y 50%

para recomendación colaborativa. La segunda recomendación se realizó con los pesos

obtenidos en las encuestas realizadas a usuarios y su parecer con respecto a la importancia

de cada atributo. Las recomendaciones tercera, cuarta y quinta se hicieron con los pesos que

resultaron después de cada retroalimentación generada por las recomendaciones anteriores.

Los 20 usuarios a los que se les realizaron las 5 recomendaciones y sus perfiles son los

siguientes:

Atributo Valor

Nombre Alejandra Usme

Año Nacimiento 1997

País de Nacimiento Colombia

País de Residencia Colombia

Sexo Femenino

Nivel Educativo Pregrado

Estado Civil Soltera

Géneros de Interés Romántica, Erótica, Histórica

Libro Leído 1 Reportaje de la historia de Colombia – Jorge Orlando Melo

Libro Leído 2 Los Asesinos del Emperador – Santiago Posteguillo

Libro Leído 3 50 Sombras de Grey – E. L. James

Libro Recomendado 1 La traición de Roma – Santiago Posteguillo

Libro Recomendado 2 50 Sombras más oscuras – E. L. James

Libro Recomendado 3 50 Sombras Liberadas – E. L. James

Libro Recomendado 4 El Rey del Invierno – Bernard Cornwell

Libro Recomendado 5 María – Jorge Isaacs Tabla 5. Usuario de prueba 1 (Autores)

53

Atributo Valor

Nombre Andrés Ricardo Barreto




Sexo Masculino


Estado Civil Soltero

Géneros de Interés Acción y Aventura, Policial, Ciencia Ficción, Terror

Libro Leído 1 El Libro de los Muertos – Douglas Preston

Libro Leído 2 La Historia Interminable – Michael Ende

Libro Leído 3 El Pintor Maldito – Peter Harris

Libro Recomendado 1 La Biblia de Los Caídos – Fernando Trujillo

Libro Recomendado 2 Fin de Guardia – Stephen King

Libro Recomendado 3 Cuentos Completos – Edgar Allan Poe

Libro Recomendado 4 El gato negro – Edgar Allan Poe

Libro Recomendado 5 El Símbolo Perdido – Dan Brown Tabla 6. Usuario de prueba 2 (Autores)

Atributo Valor

Nombre Andrés Camilo Santana




Sexo Masculino


Estado Civil Casado

Géneros de Interés Policial, Acción y Aventura, Biográfica

Libro Leído 1 Opio en las Nubes - Rafael Chaparro Madiedo

Libro Leído 2 Origen – Dan Brown

Libro Leído 3 Steve Jobs – Walter Isaacson

Libro Recomendado 1 Muerte Helada – Ian Rankin

Libro Recomendado 2 Steve Jobs – Walter Isaacs

Libro Recomendado 3 El diario de Ana Frank – Ana Frank

Libro Recomendado 4 Aguas Peligrosas – Bernard Cornwell

Libro Recomendado 5 Inferno – Dan Brown Tabla 7. Usuario de prueba 3 (Autores)

54

Atributo Valor

Nombre Antonio Álvarez




Sexo Masculino

Nivel Educativo Especialización


Géneros de Interés Ficción, Histórica, Novela

Libro Leído 1 2001 Odisea en el espacio – Stanley Kubrick

Libro Leído 2 Sherlock Holmes – Arthur Conan Doyle

Libro Leído 3 100 años de soledad – Gabriel García Márquez

Libro Recomendado 1 La Plaga –Jeff Carlson

Libro Recomendado 2 Crónicas Marcianas TD – Ray Bradbury

Libro Recomendado 3 La vida perra de Juanita Narboni – Ángel Vázquez

Libro Recomendado 4 Juliano el apóstata – Gore Vidal

Libro Recomendado 5 La última Milla Tabla 8. Usuario de prueba 4 (Autores)

Atributo Valor

Nombre Camilo Andrés Urrego




Sexo Masculino



Géneros de Interés Ciencia Ficción, Históricas

Libro Leído 1 Star Wars Episodio VIII – George Lucas

Libro Leído 2 Perdido en el Amazonas – Germán Castro Caycedo

Libro Leído 3 El día del Odio – José Antonio Osorio

Libro Recomendado 1 La bruja – Germán Castro Caycedo

Libro Recomendado 2 Mi alma se la dejo al diablo Germán Castro Caycedo

Libro Recomendado 3 El camino en la sombra – José Antonio Osorio

Libro Recomendado 4 Origen – Dan Brown

Libro Recomendado 5 Opio en las Nubes - Rafael Chaparro Madiedo Tabla 9. Usuario de prueba 5 (Autores)

55

Atributo Valor

Nombre Carlos Suarez Silvestre




Sexo Masculino



Géneros de Interés Romántica, Acción y Aventura, Terror, Novela

Libro Leído 1 La casa de los espíritus – Isabel Allende

Libro Leído 2 Opio en las nubes – Rafael Chaparro

Libro Leído 3 El Jardín Olvidado – Kare Morton

Libro Recomendado 1 El primer hombre de Roma – Colleen McCullough

Libro Recomendado 2 Juliano el apóstata – Gore Vidal

Libro Recomendado 3 Alejandro Magno – Gisbert Haefs

Libro Recomendado 4 El amor en los tiempos del cólera – Gabriel García Márquez

Libro Recomendado 5 Escrito en el Agua – Paula Hawkins Tabla 10. Usuario de prueba 6 (Autores)

Atributo Valor

Nombre Carmen Luz Díaz




Sexo Femenino

Nivel Educativo Bachillerato

Estado Civil Casada

Géneros de Interés Romántica, Ficción / Fantasía

Libro Leído 1 María – Jorge Isaacs

Libro Leído 2 Amanecer – Stephanie Meyer

Libro Leído 3 El ciclo de la Puerta de la Muerte – Margaret Weis


Libro Recomendado 2 50 Sombras de Grey – E. L. James

Libro Recomendado 3 El Símbolo Perdido – Dan Brown

Libro Recomendado 4 El código DaVinci – Dan Brown

Libro Recomendado 5 Lituma En los Andes – Mario Vargas Llosa Tabla 11. Usuario de prueba 7 (Autores)

56

Atributo Valor

Nombre Cristina Cadena




Sexo Femenino



Géneros de Interés Romántica, Cómics, Novela

Libro Leído 1 Hija de la Fortuna – Isabel Allende

Libro Leído 2 Miguel Strogoff – Julio Verne

Libro Leído 3 El código Davinci – Dan Brown

Libro Recomendado 1 María – Jorge Isaacs

Libro Recomendado 2 La vuelta al mundo en 80 días – Julio Verne

Libro Recomendado 3 La casa de los espíritus – Isabel Allende

Libro Recomendado 4 Inferno – Dan Brown

Libro Recomendado 5 El Símbolo Perdido – Dan Brown Tabla 12. Usuario de prueba 8 (Autores)

Atributo Valor

Nombre Diana Polanía Perdomo




Sexo Femenino



Géneros de Interés Thriller, Acción y Aventura, Periodismo, Ensayo

Libro Leído 1 Operación Masacre – Rodolfo Walsh

Libro Leído 2 La guerra moderna – Martín Caparrós

Libro Leído 3 Dios es redondo – Juan Villoro

Libro Recomendado 1 Cultura Libre – Lawrence Lessig

Libro Recomendado 2 Memorias Líquidas – Enric Gonzáles

Libro Recomendado 3 ¿Quién mató a Rosendo? – Rodolfo Walsh

Libro Recomendado 4 Variaciones en rojo – Rodolfo Walsh

Libro Recomendado 5 El gato negro – Edgar Allan Poe Tabla 13. Usuario de prueba 9 (Autores)

57

Atributo Valor

Nombre Diego Alberto Cruz




Sexo Masculino



Géneros de Interés Histórica, Biográfica, Ciencia Ficción

Libro Leído 1 El rey del invierno – Vernard Cornwell

Libro Leído 2 Diario de Ana Frank - Ana Frank

Libro Leído 3 El símbolo perdido – Dan Brown

Libro Recomendado 1 Inferno – Dan Brown

Libro Recomendado 2 El Asirio – Nocholas Guild

Libro Recomendado 3 La gesta del marrano – Marcos Aguinis

Libro Recomendado 4 Circo Máximo – Santiago Posteguillo

Libro Recomendado 5 Lituma en los Andes – Mario Vargas Llosa Tabla 14. Usuario de prueba 10 (Autores)

Atributo Valor

Nombre Fanny Galeano Clavijo




Sexo Femenino


Estado Civil Casada

Géneros de Interés Romántica, Novela

Libro Leído 1 El amor en los tiempos de Colera – Gabriel García Márquez

Libro Leído 2 Orgullo y Prejuicio – Jane Austen

Libro Leído 3 Cumbres Borrascosas – Emily Bronte

Libro Recomendado 1 El Coronel no tiene quien le escriba – Gabriel García Márquez

Libro Recomendado 2 100 años de soledad – Gabriel García Márquez

Libro Recomendado 3 Persuación – Jane Austen

Libro Recomendado 4 Lady Susan – Jane Austen

Libro Recomendado 5 12 cuentos peregrinos – Gabriel García Márquez Tabla 15. Usuario de prueba 11 (Autores)

58

Atributo Valor

Nombre Hernán Javier Castillo




Sexo Masculino



Géneros de Interés Ciencia Ficción, Históricas

Libro Leído 1 Los hijos de la droga – Christiane F.

Libro Leído 2 Juego de Tronos, En los Siete Reinos – George R. R. Martin

Libro Leído 3 Juego de Tronos, En el Muro – George R. R. Martin

Libro Recomendado 1 Juego de Tronos, Choque de reyes – George R. R. Martin

Libro Recomendado 2 Juego de Tronos, Festín de Cuervos – George R. R. Martin

Libro Recomendado 3 Juego de Tronos, Vientos de invierno – George R. R. Martin

Libro Recomendado 4 Los niños de la estación del Zoo – Christiane F.

Libro Recomendado 5 La Plaga – Jeff Carlson Tabla 16. Usuario de prueba 12 (Autores)

Atributo Valor

Nombre Juan Salvador Arias




Sexo Masculino



Géneros de Interés Policial, Acción y Aventura, Ficción, Narrativa, Periodismo,

Cuentos y Relatos, Novela

Libro Leído 1 20 Leguas de viaje submarino – Julio Verne

Libro Leído 2 El padrino – Mario Puzo

Libro Leído 3 El viejo y el mar – Ernest Hemingway

Libro Recomendado 1 El símbolo perdido – Dan Brown

Libro Recomendado 2 Lituma en los Andes – Mario Vargas Llosa

Libro Recomendado 3 El águila en la nieve – Wallace Breem

Libro Recomendado 4 La última milla – David Baldacci

Libro Recomendado 5 Escrito en el agua – Paula Hawkins Tabla 17. Usuario de prueba 13 (Autores)

59

Atributo Valor

Nombre Juan Carlos Zuleta




Sexo Masculino


Estado Civil Casado

Géneros de Interés Ficción, Cuentos y Relatos, Narrativa, Novela,

Libro Leído 1 Odisea – Homero

Libro Leído 2 El Viejo y El Mar – Ernest Hemingway

Libro Leído 3 100 mil Leguas de Viaje Submarino – Julio Verne

Libro Recomendado 1 La isla misteriosa – Julio Verne

Libro Recomendado 2 Fiesta – Ernest Hemingway

Libro Recomendado 3 Iliada – Homero

Libro Recomendado 4 12 cuentos peregrinos – Gabriel García Márquez

Libro Recomendado 5 La Plaga – Jeff Carlson Tabla 18. Usuario de prueba 14 (Autores)

Atributo Valor

Nombre Laura Daniela Acosta




Sexo Femenino



Géneros de Interés Policial, Acción y Aventura, Ficción, Periodismo, Cuentos,

Histórica, Erótica, Ensayo, Novela, Poesía

Libro Leído 1 Festín de Cuervos – George R.R. Martin

Libro Leído 2 Cuentos Extraños para Niños Peculiares – Ranson Riggs

Libro Leído 3 La Historia Interminable – Michael Ende


Libro Recomendado 2 Danza de Dragones – George R. R. Martin

Libro Recomendado 3 El amor en los tiempos del cólera – Gabriel García Marquez

Libro Recomendado 4 La conspiración – Dan Brown

Libro Recomendado 5 Cuentos – Tomás Carrasquilla Tabla 19. Usuario de prueba 15 (Autores)

60

Atributo Valor

Nombre Laura Daniela Molina




Sexo Femenino


Estado Civil Casada

Géneros de Interés Romántica, Cuentos, Periodismo

Libro Leído 1 Cuentos –Tomás Carrasquilla

Libro Leído 2 De cómo perdió sus vidas el gato – Oscar Perdomo Gamboa

Libro Leído 3 El Coronel no tiene quien le escriba – Gabriel García Márquez

Libro Recomendado 1 12 cuentos peregrinos – Gabriel García Márquez

Libro Recomendado 2 100 años de soledad – Gabriel García Márquez

Libro Recomendado 3 Ella, mi sueño y el mar – Oscar Perdomo Gamboa

Libro Recomendado 4 Memorias Líquidas – Enric Gonzáles

Libro Recomendado 5 Los ritos del agua – Eva García Sáenz Tabla 20. Usuario de prueba 16 (Autores)

Atributo Valor

Nombre Lorena Cadena




Sexo Femenino

Nivel Educativo Maestría


Géneros de Interés Romántica, Acción y Aventura, Terror, Ficción, Juvenil, Novela,

Poesía

Libro Leído 1 La María – Jorge Isaacs

Libro Leído 2 100 años de soledad – Gabriel García Márquez

Libro Leído 3 El mundo de Sofía – Jostein Garder


Libro Recomendado 2 Escrito en el agua – Paula Hawkins

Libro Recomendado 3 Septiembre puede esperar – Susana Fortes

Libro Recomendado 4 Cuentos – Tomas Carrasquilla

Libro Recomendado 5 12 cuentos peregrinos – Gabriel García Márquez Tabla 21. Usuario de prueba 17 (Autores)

61

Atributo Valor

Nombre Paola Cadena




Sexo Femenino


Estado Civil Casada

Géneros de Interés Romántica, Novela

Libro Leído 1 Cuando el Amor Despierta – Ruth M. Lerga

Libro Leído 2 El Duque y Yo – Julia Quinn

Libro Leído 3 Sentido y Sensibilidad – Jane Austen

Libro Recomendado 1 Los ritos del agua – Eva García Sáenz

Libro Recomendado 2 Septiembre puede esperar – Susana Fortes

Libro Recomendado 3 El coronel no tiene quien le escriba – Gabriel García Márquez

Libro Recomendado 4 Nieve en Marte – Pablo Tébar

Libro Recomendado 5 Ella, mi sueño y el mar – Oscar Perdomo Gamboa Tabla 22. Usuario de prueba 18 (Autores)

Atributo Valor

Nombre Rafael Sánchez




Sexo Masculino



Géneros de Interés Ciencia Ficción

Libro Leído 1 Neuromancer – William Gibson

Libro Leído 2 La Guerra de los Mundos – H.G. Wells

Libro Leído 3 Ringworld – Larry Niven

Libro Recomendado 1 La Plaga – Jeff Carlson


Libro Recomendado 3 Conde Cero – William Gibson

Libro Recomendado 4 La paja en el ojo de Dios – Larry Niven

Libro Recomendado 5 La máquina del tiempo – H. G. Wells Tabla 23. Usuario de prueba 19 (Autores)

62

Atributo Valor

Nombre Viviana Ortegón




Sexo Femenino



Géneros de Interés Policial, Romántica, Acción y Aventura, Terror, Ficción, Juvenil,

Narrativa, Cuentos, Histórica, Erótica, Novela

Libro Leído 1 El Laberinto – Kate Mosse

Libro Leído 2 Inferno – Dan Brown

Libro Leído 3 La Chica del Tren – Paula Hawkins

Libro Recomendado 1 La Guerra de los Mundos – H.G. Wells

Libro Recomendado 2 Sentido y Sensibilidad – Jane Austen

Libro Recomendado 3 La Conspiración – Dan Brown

Libro Recomendado 4 La chica del tren – Paula Hawkins

Libro Recomendado 5 Cuentos – Tomas Carrasquilla Tabla 24. Usuario de prueba 20 (Autores)

6.5.2 Encuesta de resultados

Para poder validar los resultados del recomendador se realizó una encuesta a los 20

usuarios de prueba y poder ver si con cada recomendación realizada, se mejora el resultado

para el usuario. La encuesta planteada a los usuarios es la siguiente:

Figura 18. Encabezado encuesta de resultados (Autores)

63

Se les preguntó a los 20 usuarios el grado de satisfacción con respecto a cada

recomendación de las 5 realizadas. Y por último su parecer con respecto a la teoría

manejada en el planteamiento del sistema recomendador.

Figura 19. Preguntas de satisfacción encuesta de resultados (Autores)

64

Figura 20. Pregunta de opinión encuesta de resultados (Autores)

6.5.3 Implementación e Interpretación de encuestas

Luego de realizar las 5 recomendaciones a cada usuario, se les realizó la encuesta planteada

anteriormente, en donde se les aclaró a los usuarios que la recomendación no iba a ser del

todo certera ya que la cantidad de libros registrados en la base de datos no es suficiente para

un sistema de recomendación; se obtuvieron los siguientes resultados:

65

Figura 21. Evidencia de finalización de encuesta de resultados (Autores)

La primera recomendación realizada fue con pesos distribuidos equitativamente para cada

tipo de recomendación y sus atributos, los resultados son los siguientes:

Gráfica 4. Resultados Primera Recomendación (Autores)

Se observa que no hubo mucha satisfacción con los libros recomendados en esta fase, se

obtuvo un promedio de calificación de 2.8 de satisfacción por parte del usuario. La segunda

recomendación realizada fue con los pesos obtenidos de la primera encuesta realizada para

este proyecto, los resultados son los siguientes:

66

Gráfica 5. Resultados Segunda Recomendación (Autores)

Se observa que el grado de satisfacción aumento con respecto a la primera recomendación,

se obtuvo una calificación promedio de 4.05 de satisfacción. La tercera, cuarta y quinta

recomendación se realizó con la retroalimentación obtenida del sistema por cada

recomendación realizada. Los resultados son los siguientes:

Gráfica 6. Resultados Tercera Recomendación (Autores)

67

Gráfica 7. Resultados Cuarta Recomendación (Autores)

Gráfica 8. Resultados Quinta Recomendación (Autores)

En estas tres últimas recomendaciones se observa que el grado de recomendación

aumento conforme iban avanzando el número de recomendaciones para cada usuario.

Las calificaciones en promedio fueron de 4.85, 5.80 y 6.85 para la tercera, cuarta y quinta

recomendación respectivamente. También se realizó una pregunta de opinión al usuario

para saber si ellos están de acuerdo con la teoría planteada con el algoritmo, los

resultados muestran que si están de acuerdo con la hipótesis de que los pesos de los

atributos son importantes para realizar la recomendación:

68

Gráfica 9. Resultados Pregunta de Opinión (Autores)

6.5.4 Resultado de la retroalimentación del sistema

Como se planteó inicialmente, después de realizada cada recomendación el usuario

calificaría el resultado dependiendo de esto, los pesos irían cambiando; el comportamiento

de los pesos se muestran a continuación:

Los pesos por tipo de recomendación se muestran a continuación:

Tabla 25. Resultado de Pesos por Tipo de Recomendación (Autores)

69

Gráfica 10. Resultado de Pesos por Tipo de Recomendación (Autores)

Como se evidencia en los resultados, la Recomendación Basada en Contenido es la que más

peso tiene para los usuarios, lo que quiere decir que les gusta más las recomendaciones que

se generan a partir de los atributos de los libros; pero también se evidencio que a lo largo de

cada recomendación la Recomendación Colaborativa fue tomando peso con respecto a la

otra. Esto nos va demostrando que el peso en los atributos si es importante.

Los pesos de la recomendación Colaborativa son:

Tabla 26. Resultado de Pesos Recomendación Colaborativa (Autores)

0,00%

10,00%

20,00%

30,00%

40,00%

50,00%

60,00%

70,00%

80,00%

90,00%

R1 R2 R3 R4 R5

Colaborativa

Basada enContenido

70

Gráfica 11. Resultado de Pesos Recomendación Colaborativa (Autores)

Para la recomendación colaborativa se muestra que el atributo género de interés es el que

más peso va tomando por cada recomendación. Se evidencia además que los pesos si van

variando por cada ejercicio realizado.

Los pesos de la Recomendación Basada en Contenido son:

Tabla 27. Resultado de Pesos Recomendación Basada en Contenido (Autores)

0,00%

1,00%

2,00%

3,00%

4,00%

5,00%

6,00%

7,00%

8,00%

9,00%

10,00%

R1

R2

R3

R4

R5

71

Gráfica 12. Resultado de Pesos Recomendación Basada en Contenido (Autores)

La recomendación basada en contenido fue bajando su peso conforme avanzaron las

recomendaciones, pero los pesos de sus atributos también fueron variando. Dando como

resultado al atributo Género como el más importante para el usuario, seguido del Autor y la

descripción del libro.

Por último se muestra la gráfica del promedio de las calificaciones obtenidas por los 20

usuarios de prueba con respecto a las 5 recomendaciones realizadas a cada uno:

Tabla 28. Calificación de Satisfacción por Recomendación (Autores)

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

30,00%

35,00%

40,00%

R1

R2

R3

R4

R5

72

Gráfica 13. Calificación de Satisfacción por Recomendación (Autores)

Como se evidencia en estas calificaciones, la satisfacción por las recomendaciones hechas

al usuario van aumentando conforme varían los pesos de los atributos; por lo que es una

relación clara de que la recomendación si está atada al peso del atributo.

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7,00

R1 R2 R3 R4 R5

Calificación de Satisfacción

Calificación deSatisfacción

73

6.5.5 Verificación de preguntas de investigación

6.5.5.1 Primera Pregunta de Investigación

¿Cuál es el mejor algoritmo de recomendación para un sistema que recomiende

libros?

No se puede afirmar que el mejor algoritmo para recomendación de libros es el que se usa

en este proyecto, ya que faltan más pruebas que puedan ratificar los resultados aquí

obtenidos. Lo que sí se puede afirmar es que con las pruebas realizadas a la recomendación

híbrida que usa tanto la recomendación colaborativa como la recomendación basada en

contenido.

6.5.5.2 Segunda Pregunta de Investigación

¿Qué método es útil para que el sistema recomendador aumente su exactitud con

respecto a los gustos del usuario?

Con respecto a los resultados obtenidos se puede responder que el método que más se

acomoda al sistema para que éste aumente su exactitud, es la retroalimentación a partir de

cada recomendación escogida por el usuario, ya que actualiza en tiempo real los pesos de

los atributos para que en la próxima recomendación su exactitud mejore.

6.5.5.3 Tercera Pregunta de Investigación

¿Cuáles son los atributos que más pesos deben tener a la hora de generar una

recomendación de libros?

Los que resultaron en este proyecto fueron el género del libro y los géneros de interés de las

personas. Pero no se puede afirmar que sean siempre los que van a determinar la

recomendación ya que con la retroalimentación se actualizan constantemente. Además de

esto no se asegura que estén todos los atributos que se deban contemplar a la hora de hacer

una recomendación de libros. Por lo que se recomienda aumentar los atributos en lo que

más se pueda.

74

6.5.6 Verificación de objetivos

Plantear un sistema de recomendación basado en contenido y colaborativo para

facilitar la elección de libros y facilite la retroalimentación del sistema.

El sistema recomendador se planteó satisfactoriamente usando la recomendación basada en

contenido y la colaborativa; se planteó y usó un algoritmo que redistribuye los pesos de los

atributos por cada recomendación escogida. Se generaron recomendaciones para los

usuarios de prueba y además se desarrolló la retroalimentación para que el sistema actualice

los pesos de los atributos con cada recomendación escogida por el usuario.

6.5.7 Verificación de hipótesis

- Un sistema recomendador basado en el historial de lectura del usuario y su perfil, es

más eficiente que aquellos que se basan en calificaciones de otros usuarios.

Hipótesis Confirmada

- El uso de pesos para cada atributo dependiendo de recomendaciones pasadas,

aproximan al sistema a generar una recomendación acertada para el usuario.


- Los algoritmos que se retroalimentan por las decisiones que toman los usuarios, son

más acertadas para arrojar recomendaciones a las personas.


75

7. CONCLUSIONES

Los Sistemas Recomendadores son un paso más para que el manejo de los datos se

convierta en el futuro, en el activo más importante para las humanidad; por esto es que un

sistema recomendador puede determinar el gusto de un usuario, en este caso los libros que

más se acomodan al gusto de los lectores.

Mientras más métodos de recomendación se usen, es decir mientras más información se use

para llegar a un resultado, este será más efectivo. Por lo que se comprobó que la

recomendación colaborativa y la basada en contenido son métodos que trabajan mejor

juntos.

Los atributos con los cuales se realiza una recomendación son importante a la hora de

realizarla, ya que estos determinan cual característica es más importante para el usuario, por

esto no se puede dar el mismo peso para el año de nacimiento del usuario que para su

estado civil, o para el género del libro que para el país de nacimiento del autor. Con este

proyecto se logró demostrar que los pesos de cada atributo si pueden determinar la

exactitud de la recomendación realizada al usuario.

Se logró demostrar que los pesos si determinan una exactitud en la recomendación, pero

como se pudo ver, no se pudo lograr una calificación más allá de los 7 puntos de

satisfacción, esto es debido a que la base de datos del prototipo no posee los suficientes

libros para un sistema de recomendación y solo poseía los 20 usuarios con lo que se realizó

la prueba. Se plantea que con una mayor información tanto de usuarios como de libros, se

puede llegar a una mayor exactitud de la recomendación.

76

8. RABAJOS FUTUROS

8.1 SISTEMA CON MAYOR GRADO DE PERSONALIZACIÓN

Se pretende como trabajo futuro para el prototipo ampliar el grado de personalización, ya

que se cree que esto puede mejorar la exactitud del mismo. Actualmente el sistema se

retroalimenta con cada recomendación, y actualiza los pesos de los atributos, pero estos

pesos son para todos los usuarios. Por esto se propone que cada usuario tenga su propio

sistema de pesos, ya que no todos los usuarios se inclinan por lo mismo; puede que la

mayoría de los usuarios prefieran ciertos atributos, pero no es bueno dejar de un lado a la

minoría, aprovechando el poder de almacenamiento al que se puede acceder hoy en día y el

que se tendrá en el futuro.

8.2 SISTEMA GAMIFICADO

En este sistema se va a manejar un sistema de puntos que incentiven al usuario a ayudar

con la alimentación del sistema y que sea pro-fidelización. Lo importante es que el usuario

sea el principal alimentador de la base de datos del sistema. La siguiente figura muestra el

ciclo de la interacción usuario aplicación respecto a la gamificación.

Ya sea que los puntos se conviertan en un personaje o le den más beneficios sobre su perfil,

(parte que se definirá en el desarrollo de la aplicación) estos puntos se podrán compartir en

diferentes redes sociales, para que el usuario pueda presumir sus actividades con la

plataforma. Se otorgarán puntos por las siguientes actividades:

i. Registrarse en la aplicación

ii. Registrar libros que no estén en la base de datos.

iii. Por cada libro leído.

iv. Por cada comentario de libros leídos.

v. Por compartir la plataforma en redes sociales.

77

Estas actividades estarán sujetas a modificaciones en el transcurso del diseño de la

aplicación. Lo importante es incentivar al usuario por las actividades que realice en la

aplicación.

Figura 22. Interacción Gamificación Sistema (Autores)

8.3 PLATAFORMA WEB

Se pretende pasar el sistema recomendador a una plataforma web, la cual pueda estar

disponible para todos los usuarios que lo deseen, por lo que se quiere que sean los mismos

usuarios los que ayuden a aumentar el nivel de los datos y además se pueda mejorar la

recomendación. Y automatizar procesos como el registro de usuarios nuevos, libros nuevos

y demás información que el sistema necesite.

8.3 PLATAFORMA MOVIL

Las aplicaciones de celular están en auge con la tecnología, por lo que si se quiere en un

futuro llegar a más personas, implementar el sistema recomendador en una aplicación

Android o IOS es una alternativa para el futuro del proyecto.

78

9. BIBLIOGRAFÍA

[1] E. Herrera-Viedma, L. Olvera, E. Peis, C. Porcel. “Revisión de los sistemas de

recomendaciones para la recuperación de información. Tendencias de investigación en

organización del conocimiento (Trends in knowledge organization research)” José

Antonio Frías, Ed. Críspulo Travieso, Universidad de Salamanca, (2003), 507-513.

[2] R.R. Yager. “Fuzzy Logic Methods in Recommender Systems”. Fuzzy Sets and

Systems, Volume 136, Issue 2 (2003), 133-149.

[3] G. Bafoutsou, G. Mentzas. “Review and Functional Classification of Collaborative

Systems”. International Journal of Information Management, 22 (2002), 281-305.

[4] P. Resnick, H.R. Varian, Guest Editors. Recommender Systems. Communications of the

ACM, 40 (3) (1997), 56-89.

[5] J.B. Schafer, J.A. Konstan, J. Riedl. “MetaRecommendation Systems: User-controlled

Integration of Diverse Recommendations”. ACM Conference on Information and

Knowledge Management (CIKM-02), November 5-7, 2002, McClean, VA.

[6] Vélez Langs, O. Santos, C. Aproximando a los Sistemas Recomendadores desde los

Algoritmos Genéticos. REVISTA COLOMBIANA DE COMPUTACIÓN. VII- 2. 9.

2006.

[7] L. Bejarano, J. Meza. Clase Seminario de Investigación I – Especialización en

Ingeniería de Software – Universidad Distrital Francisco José de Caldas (2017)

[8] ¿Qué es una encuesta? Características Generales. - Estadistica.mat.uson (2010) -

http://www.estadistica.mat.uson.mx/Material/queesunaencuesta.pdf

http://www.estadistica.mat.uson.mx/Material/queesunaencuesta.pdf

79

[9] M. Arriaza Balmón. “Guía práctica de análisis de datos” Consejería de Innovación,

Ciencia y Empresa. Ideagonal Diseño Gráfico.[21-32] (2008)

[10] E. Herrera, C. Porcel, L. Hidalgo. “Sistemas de recomendaciones:

herramientas para el filtrado de información en Internet” – Universidad Pompeu

Fabra, 2 Edición (2004)

[11] Extractado de La Guía de Arquitectura Versión 2.0a del grupo de Patterns

and Practices de Microsoft.

[12] S.M. Pepa. “Suite de algoritmos de recomendación en aplicaciones reales”

Universidad Autónoma de Madrid – Escuela Politécnica Superior (2014)

[13] K. Swearingen, R. Sinha. “Beyond Algorithms: An HCI Perspecitve on

Recommender Systems. Recommender Systems”. Papers and Notes from the 2001

Workshop New Orleans, LA. In conjuntion with ACM SIGIR Conference on

Research and Development in Information Retrieval.

[14] G. Aciar, S. Aciar. “Recomendador de usuarios en una plataforma

colaborativa en base a su perfil y reputación” Instituto de Informática Universisdad

Nacional de San Juan, Argentina. 14th Argentine Symposium on Artificial

Intelligence, ASAI 2013

[15] Resnick, P. Varian, H. R. Recommender systems. Commun. ACM 40, 3.56-

58. Marzo, 1997.

[16] Vélez Langs, O. Santos, C. Aproximando a los Sistemas Recomendadores

desde los Algoritmos Genéticos. REVISTA COLOMBIANA DE COMPUTACIÓN.

VII- 2. 9. 2006.

[17] Pablo Noriega, Carles Sierra and Juan Antonio Rodríguez. The Fishmarket

Project. Reflections on Agent-mediated institutions for trustworthy ECommerce.

http://www.juanpelaez.com/Blog/ct.ashx?id=1eca3f73-119b-4f9f-8089-80b5b250b84f&url=http%3a%2f%2fwww.codeplex.com%2fAppArchGuide

http://www.juanpelaez.com/Blog/ct.ashx?id=1eca3f73-119b-4f9f-8089-80b5b250b84f&url=http%3a%2f%2fmsdn.microsoft.com%2fen-us%2fpractices%2fdefault.aspx

http://www.juanpelaez.com/Blog/ct.ashx?id=1eca3f73-119b-4f9f-8089-80b5b250b84f&url=http%3a%2f%2fmsdn.microsoft.com%2fen-us%2fpractices%2fdefault.aspx

80

Position Paper at the Workshop on Agent Mediated Electronic Commerce (AMEC-

98; Seoul)

[18] Montaner, M., L´opez, B., and de la Rosa, J. L. Opinion-based filtering

through trust. In Proceedings of CIA’02. LNAI 2446., pp. 164-178.

[19] Cadena V., Caranton A., Abuchar A. - Prototipo a sistema recomendador

gamificado para escoger libros – Ponencia CICOM 2017

9.1 BIBLIOGRAFÍA WEB

[20] El templo de las mil puertas, revista online de literatura juvenil

http://www.eltemplodelasmilpuertas.com/recomendador/

[21] Quelibroleo.com descubre tu próxima lectura. http://www.quelibroleo.com/

[22] Ebrolis https://www.ebrolis.com/

[23] Boolino https://www.boolino.es/es/

[24] Roca Libros http://www.rocalibros.com/buscador-emocional/

[25] Tú que lees http://www.tuquelees.com/almas-gemelas

[26] Bookseer http://bookseer.com/

[27] Curioseando (Dic-2016) “¿Cuántos géneros literarios existen?” Available:

https://curiosoando.com/cuantos-generos-literarios-existen

http://www.eltemplodelasmilpuertas.com/recomendador/

http://www.quelibroleo.com/

https://www.ebrolis.com/

https://www.boolino.es/es/

http://www.rocalibros.com/buscador-emocional/

http://www.tuquelees.com/almas-gemelas

http://bookseer.com/

https://curiosoando.com/cuantos-generos-literarios-existen

Documents

PLANTEAMIENTO DE UN SISTEMA RECOMENDADOR BASADO ENrepository.udistrital.edu.co/bitstream/11349/7498/1... · 2019-07-26 · 5.1.2 Qué libro leo ... 6.2.4.2 Método Colaborativo