Sugerencias mucho más personalizadas en línea gracias a un grupo de investigadores de la URV

Preferencias en libros, películas, series o incluso citas. Los usuarios de las plataformas de Internet están acostumbrados a recibir informaciones de propuestas relacionadas con las que un algoritmo considera que son sus preferencias, con un acierto más o menos aceptable. Las buenas predicciones permiten mejorar el asesoramiento a los usuarios y entender mejor los procesos sociopsicológicos que las determinan, y eso es lo que han hecho ahora investigadores del grupo de investigación SEES:lab (Science and Engineering of Emerging Systems) de la Universitat Rovira i Virgili. Han desarrollado un nuevo algoritmo que permite asesorar mejor a los usuarios y calculan que casi duplica la mejora en precisión de los sistemas existentes hasta ahora con respecto a los algoritmos de recomendación sencillos.

Antonia Godoy, Roger Guimerà y Marta Sales, investigadores del Departamento de Ingeniería Química de la Universitat Rovira i Virgili, con la colaboración de Cristopher Moore, del Instituto Santa Fe, han creado un modelo de filtraje colaborativo, con un algoritmo asociado escalable, que hace que las predicciones de preferencias de los individuos sean precisas. El nuevo enfoque se basa en el supuesto explícito que hay, de un lado, grupos de personas y grupos de objetos, y, por otra parte, las preferencias de un individuo por un objeto no las determina únicamente su pertenencia a un grupo.

La nueva herramienta prevé que cada individuo y cada elemento puedan pertenecer simultáneamente a mezclas de diferentes grupos y, a diferencia de muchos enfoques populares, los investigadores no asumen implícitamente o explícitamente que los individuos en cada grupo prefieren objetos de un solo grupo de elementos. Este algoritmo puede predecir los grupos resultantes que se superponen y las preferencias, ya que, en grandes conjuntos de datos, permite discriminar las preferencias individuales de una manera más precisa que los algoritmos actuales.

Algoritmos hay muchos, y muchos son rápidos y con resultados razonables, pero muchas veces los modelos que tienen detrás no son muy realistas. Se basan sobre todo a clasificar a las personas por grupos —según sus preferencias— y a predecir según el comportamiento del grupo en el cual vinculan a una persona determinada. Por lo tanto, las predicciones corresponden a aquello que gusta al grupo, o no, pero no responden a los patrones de comportamiento de las personas porque no tienen en cuenta los matices. Por eso, estos modelos no son capaces de reproducir a los modelos de comportamiento de la población.

El modelo que hay detrás del nuevo sistema es más sofisticado y responde de manera más correcta a cómo funcionan realmente las personas; por lo tanto, a diferencia de los modelos actuales, es más flexible y permite reproducir los patrones de comportamiento de una población en conjunto. Es un modelo que ya se sabía que proporcionaba mejores predicciones, pero hasta ahora era muy lento y no se podía aplicar a grandes bases de datos. En el artículo científico que acaban de publicar en la revista Proceedings of the National Academy of Sciences of the United States of America, los investigadores de la URV han conseguido el mejor de los dos mundos: un modelo rápido y escalable, que, al mismo tiempo, responde mejor a cómo la gente toma las decisiones.