PPIAS: MODELOS DE LENGUAJE PROBABILISTICOS PARA RANKINGS PERSONALIZADOS EN SISTEMAS DE ACCESO A LA INFORMACION
Los Sistemas de Recomendación (SR) tienen como objetivo, dado un conjunto de usuarios, un conjunto de ítems y un conjunto de valoraciones de usuarios a ítems, generar recomendaciones personalizadas de ítems a usuarios. Tradicionalmente, los SR pueden explotar tanto la información de interacción pasada de usuarios y productos como la información de contenido de los mismos para generar nuevas sugerencias para los usuarios. Estos sistemas se han demostrado claves a la hora de facilitar el acceso a información, productos y servicios.
En este proyecto queremos avanzar en el estado del arte, proponiendo nuevos modelos de recomendación que, con una sólida base formal probabilística, ayuden a aumentar y mejorar las ventas de productos y la satisfacción de los compradores. Estos modelos y su traslación a dominios y casos de uso real del tejido empresarial contribuirán, gracias a la calidad de sus recomendaciones, al desarrollo de la economía digital.
Objetivos
Un área de investigación en auge es la traslación de aproximaciones clásicas de Recuperación de Información al problema de Recomendación. En particular, en este proyecto proponemos la investigación en Modelos de Lenguaje probabilísticos para el problema de recomendación de ítems. Recientemente, hemos planteado las primeras formalizaciones consiguiendo modelos de alta eficacia. Dada la experiencia positiva previa, queremos extender la capacidad de predicción de estos modelos más allá del filtrado colaborativo teniendo en cuenta nuevas estimaciones y modelos que incluyan e integren la información de contenido de diversa naturaleza y capturando información contextual y temporal. Además, proponemos la integración de técnicas de optimización bayesiana para tener modelos que no sólo generen sugerencias de productos personalizadas, sino que también las generen de manera personalizada, adaptando los propios modelos de recomendación a las particularidades de los usuarios. Todos estos objetivos están constreñidos por un objetivo básico común que es transversal: la eficiencia, escalabilidad y robustez de dichos métodos de cara a su traslación a aplicaciones reales en el tejido productivo.
Proyecto
/research/projects/modelos-de-linguaxe-probabilisticos-para-rankings-personalizados-en-sistemas-de-acceso-a-informacion
<p>Los Sistemas de Recomendación (SR) tienen como objetivo, dado un conjunto de usuarios, un conjunto de ítems y un conjunto de valoraciones de usuarios a ítems, generar recomendaciones personalizadas de ítems a usuarios. Tradicionalmente, los SR pueden explotar tanto la información de interacción pasada de usuarios y productos como la información de contenido de los mismos para generar nuevas sugerencias para los usuarios. Estos sistemas se han demostrado claves a la hora de facilitar el acceso a información, productos y servicios.</p> <p>En este proyecto queremos avanzar en el estado del arte, proponiendo nuevos modelos de recomendación que, con una sólida base formal probabilística, ayuden a aumentar y mejorar las ventas de productos y la satisfacción de los compradores. Estos modelos y su traslación a dominios y casos de uso real del tejido empresarial contribuirán, gracias a la calidad de sus recomendaciones, al desarrollo de la economía digital.</p><p>Un área de investigación en auge es la traslación de aproximaciones clásicas de Recuperación de Información al problema de Recomendación. En particular, en este proyecto proponemos la investigación en Modelos de Lenguaje probabilísticos para el problema de recomendación de ítems. Recientemente, hemos planteado las primeras formalizaciones consiguiendo modelos de alta eficacia. Dada la experiencia positiva previa, queremos extender la capacidad de predicción de estos modelos más allá del filtrado colaborativo teniendo en cuenta nuevas estimaciones y modelos que incluyan e integren la información de contenido de diversa naturaleza y capturando información contextual y temporal. Además, proponemos la integración de técnicas de optimización bayesiana para tener modelos que no sólo generen sugerencias de productos personalizadas, sino que también las generen de manera personalizada, adaptando los propios modelos de recomendación a las particularidades de los usuarios. Todos estos objetivos están constreñidos por un objetivo básico común que es transversal: la eficiencia, escalabilidad y robustez de dichos métodos de cara a su traslación a aplicaciones reales en el tejido productivo.</p> - David Enrique Losada Carril
projects_es