Objetivos

Presentar los fundamentos básicos de los Sistemas de Recomendación y estudiar los conceptos fundamentales y las técnicas de diseño utilizadas en estos sistemas.

Programa

Unidad 1. Introducción a los sistemas de recomendación

Presentación del curso y de los temas del programa. Introducción a los sistemas de recomendación. Objetivos. Modelos básicos. Temas avanzados y aplicaciones.

Unidad 2. El filtrado colaborativo

Introducción. La matriz de utilidad. Propiedades de la matriz de utilidad.
El filtrado colaborativo basado en vecinos. Predicción de utilidades. Métodos de aglomeración. Reducción de la dimensionalidad. La predicción como problema de regresión. Modelos de grafos.
El filtrado colaborativo basado en modelos. Árboles de decisión y regresión. Filtrado colaborativo basado en reglas. Filtrado colaborativo bayesiano simple. Uso a ciegas de un clasificador arbitrario. Modelos de factores latentes. Integración de modelos de factorización y de vecinos.

Unidad 3. Sistemas de recomendación basados en contenido y en conocimiento

Sistemas de recomendación basados en contenido. Componentes básicos de un sistema basado en contenido. Preprocesamiento y extracción de características. Aprendizaje de perfiles de usuario y filtrado. Recomendaciones basadas en contenido versus colaborativas. Uso de modelos basados en contenido para filtrado colaborativo.
Sistemas de recomendación basados en conocimiento. Sistemas de recomendación basados en restricciones. Sistemas de recomendación basados en casos. Personalización persistente en sistemas basados en conocimiento.

Unidad 4. Sistemas de recomendación híbridos y de ensamble

Métodos de ensamble desde una perspectiva de clasificación. Híbridos en cascada. Híbridos ponderados. Conmutación de híbridos. Híbridos de combinación y aumento de características.

Unidad 5. Evaluación de sistemas de recomendación

Paradigmas de evaluación. Objetivos generales del diseño de evaluaciones. Problemas de diseño en los sistemas de recomendación fuera de línea. Métricas de precisión en evaluación fuera de línea. Limitaciones de las métricas de evaluación.

Unidad 6. Temas avanzados en sistemas de recomendación

Sistemas de recomendación sensibles al contexto. Aproximación multidimensional. Filtrado previo contextual. Métodos de filtrado posterior. Modelización del contexto.
Filtrado colaborativo temporal. Modelos discretos temporales. Sistemas de recomendación sensibles al lugar.
Sistemas de recomendación sociales y centrados en la confianza. Modelos multidimensionales para contexto social. Métodos centrados en la red y en la confianza. Interacción de los usuarios en los sistemas de recomendación sociales.
Sistemas de recomendación resistentes a ataques. Entendiendo las compensaciones mutuas en los modelos de ataque. Tipos de ataques. Detección de ataques. Estrategias para el diseño robusto de sistemas de recomendación. Dominios de aplicación interesantes y novedosos.

Modalidad de trabajo

En la parte teórica de la materia, se desarrollarán los temas del programa realizando exposiciones, demostrando la utilización de software o resolviendo un caso práctico.

En la parte práctica los alumnos implementarán las técnicas explicadas utilizando datos reales. Para aprobar la materia se deberán presentar dos trabajos prácticos y una evaluación final.