Desarrollo de sistemas de recomendación usando información de redes sociales para paliar el problema de arranque en frío

Resumen

A día de hoy vivimos en la edad de la información y estamos expuestos a una sobrecarga de contenido. En los últimos años la cantidad de opciones disponibles para consumir contenido ha crecido exponencialmente. A veces, esta gran cantidad de contenido dificulta la elección del usuario cuando tiene que tomar alguna decisión, por lo que es de gran importancia contar con herramientas automáticas que ayuden en esa toma de decisiones. Es aquí donde cobran una gran importancia los sistemas de recomendación, que usando nuestros patrones de búsqueda, visionado y valoraciones son capaces de recomendarnos productos que sean de nuestro interés. Sin embargo uno de los problemas más comunes de los sistemas de recomendación es el problema del arranque en frío, esto es, la situación de cuando un usuario acaba de unirse a una plataforma y la plataforma no tiene ningún dato sobre él que pueda ser usado para crear recomendaciones. Este problema tiene una importancia creciente a día de hoy ya que cada vez hay más servicios distintos de retransmisión de películas en streaming (Netflix, Prime Video, HBO, Filmin, Apple TV, Disney+), de reproducción de música en streaming (Spotify, Apple Music, Amazon Music) y no es raro que usuarios cambien de una plataforma a otra frecuentemente. Es por eso que se convierte en un problema de gran relevancia y se vuelve vital que las plataformas dispongan de sistemas de recomendación que sean resilientes al problema de arranque en frío. En esta propuesta, el problema del arranque en frío se palia mediante el uso de información implícita sobre el usuario usando datos de distintas fuentes como redes sociales, portales de noticias o información acerca de la confianza en otros usuarios similares. Este problema ha sido ampliamente estudiado en la literatura, pero por su importancia y peculiaridades, como comportamiento variables en distintos entornos o la dificultad de encontrar datos en los que basar este tipo de sistemas, aún hay mucho trabajo por hacer. En este trabajo se abordan los sistemas de recomendación desde enfoques y dominios tan diversos como la recomendación de películas a usuarios de portales de películas basándose en datos extraídos de redes sociales; la elección de acciones para optimizar inversiones usando históricos del mercado y datos de noticias relacionadas con esas acciones; y recomendación de recursos académicos usando un sistema de confianza entre usuarios. Los resultados obtenidos en las diferentes propuestas de este trabajo han sido promete- dores porque igualan e incluso sobrepasan resultados obtenidos en la literatura con respecto a recomendación bajo la influencia del problema de arranque en frío. Estos resultados se obtienen gracias al uso de información implícita acerca del usuario extraída de distintas fuentes de manera automática, sin necesitar que el usuario proporcione, activamente, datos de forma manual.