{"id":825,"date":"2018-05-04T11:59:44","date_gmt":"2018-05-04T14:59:44","guid":{"rendered":"http:\/\/datamining.dc.uba.ar\/predictivos\/?p=825"},"modified":"2018-05-04T14:22:45","modified_gmt":"2018-05-04T17:22:45","slug":"los-sistemas-de-recomendacion-y-el-furor-de-netflix-parte-1","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=825","title":{"rendered":"Los sistemas de recomendaci\u00f3n y el furor de Netflix-Parte 1"},"content":{"rendered":"

Por Ignacio Uman<\/strong><\/p>\n

Los sistemas de recomendaci\u00f3n consisten en un conjunto de t\u00e9cnicas y herramientas de software cuyo prop\u00f3sito es asistir a un usuario durante un proceso de toma de decisiones, recomend\u00e1ndole \u00edtems que podr\u00edan ser de su inter\u00e9s. Estos sistemas surgieron porque Internet permiti\u00f3 mostrar a los usuarios un abanico cada vez mayor de alternativas para seleccionar entre sus preferencias y el ejemplo concreto de obtener buenas recomendaciones se ha convertido en un componente cr\u00edtico dentro del proceso de toma de decisiones (uno de los primeros sistemas m\u00e1s populares ha sido el de Amazon, compa\u00f1\u00eda de comercio electr\u00f3nico fundada en 1994).<\/p>\n

\"\"<\/a>De hecho, el problema de hacer recomendaciones puede ser pensado como un aprendizaje de preferencias. \u201cLos sistemas de recomendaci\u00f3n realizan sus recomendaciones utilizando modelos predictivos de las preferencias que los usuarios tienen sobre los \u00edtems. Dichas preferencias son inducidas a partir de la informaci\u00f3n del usuario, de los \u00edtems y de las interacciones entre los usuarios y el sistema<\/em>\u201d, puntualiza el doctor Roberto Abalde<\/strong>, profesor de la Maestr\u00eda en Data Mining de la Universidad de Buenos Aires y experto en inteligencia de negocios.<\/p>\n

Este especialista hace una distinci\u00f3n importante entre sistemas basados en contenido y sistemas basados en conocimiento. \u201cLos sistemas de recomendaci\u00f3n basados en contenido realizan recomendaciones utilizando tanto las caracter\u00edsticas del usuario como de los \u00edtems que le han interesado al usuario. Por ejemplo cuando un usuario ha dado una buena calificaci\u00f3n a las pel\u00edculas `Blade Runner` y `Star Wars` se podr\u00eda inferir que tiene preferencia por las pel\u00edculas de ciencia ficci\u00f3n<\/em>\u201d.\u00a0 En tanto que los sistemas basados en conocimiento,\u00a0 \u201cconsideran el conocimiento expl\u00edcito sobre los \u00edtems a recomendar, las preferencias del usuario y los criterios de recomendaci\u00f3n, es decir, qu\u00e9 elemento debe recomendarse en qu\u00e9 contexto. Por ejemplo, en un sistema de recomendaci\u00f3n de eventos, se podr\u00eda poner una regla como `si est\u00e1 lloviendo, entonces recomendar ir al cine`<\/em>\u201d, detalla Abalde. Cabe recalcar que los sistemas basados en conocimiento se aplican cuando no se puede recurrir a enfoques alternativos como el filtrado colaborativo y el filtrado basado en el contenido.<\/p>\n

 <\/p>\n

Una plataforma que debe su \u00e9xito a los algoritmos <\/strong><\/h4>\n

\"\"<\/a>Netflix es una empresa estadounidense de entretenimiento cuyo modelo de negocios se basa en el streaming de video, multimedia y productos bajo demanda. Tiene m\u00e1s de 110 millones de suscriptores en m\u00e1s de 190 pa\u00edses, y cada uno de ellos recibe una experiencia diferente cada vez que inicia sesi\u00f3n.<\/p>\n

Con el prop\u00f3sito de generar recomendaciones eficientes, utiliza complejos algoritmos de aprendizaje autom\u00e1tico (machine learning) que toman en cuenta m\u00e1s de 100 factores y le sugieren al usuario el contenido que le gustar\u00eda ver.\u00a0La primera capa del sistema de recomendaciones de la plataforma\u00a0analiza qu\u00e9 es lo que ha visto un espectador, el orden y las fechas de reproducci\u00f3n, los programas que ha abandonado sin terminar o los que ha marcado como favoritos, entre otros datos similares. En segundo lugar, esta informaci\u00f3n de uso se combina con otros par\u00e1metros\u00a0que ayudan a comprender mejor el contenido de los programas. Para ello personal interno o externo de la plataforma visualiza minuto a minuto todos los contenidos y los etiqueta de manera pormenorizada.<\/p>\n

\"\"<\/a>

Fuente: redwoodalgorithms.com<\/p><\/div>\n

El contenido se clasifica en 150 categor\u00edas creadas para que el algoritmo funcione mejor y pueda recomendar m\u00e1s precisamente los contenidos (en efecto un 80% de los contenidos pueden ser visualizados y hallados gracias a esta herramienta). El \u201cetiquetador\u201d toma el material, lo ve y a partir de eso llena 150 criterios clave para identificar ese t\u00edtulo. En House of Cards, por ejemplo, algunas de las categor\u00edas y etiquetas son: tono (oscuro, c\u00ednico, sat\u00edrico), trama (pol\u00edtica, corrupci\u00f3n, traici\u00f3n), violencia (3, moderada).<\/p>\n

De este modo, la b\u00fasqueda est\u00e1 personalizada en Netflix, con los resultados influenciados por el tipo de cosas que un usuario ha visto y la popularidad de un t\u00edtulo en particular.<\/p>\n

Para conocer en detalle a su audiencia y mejorar la experiencia del usuario, habitualmente Netflix ejecuta por a\u00f1o cientos de pruebas de productos nuevos con sus espectadores. En declaraciones a la prensa, el vicepresidente de innovaci\u00f3n de productos de Netflix, Chris Jaffe, explic\u00f3 que la plataforma selecciona a 300 mil usuarios de todo el mundo para un A\/B Testing<\/a>, donde se testea desde la percepci\u00f3n de las im\u00e1genes hasta el tama\u00f1o de la fuente en la pantalla. Por ejemplo, probaron nuevos trailers de video de reproducci\u00f3n autom\u00e1tica cuando un usuario pasa sobre un t\u00edtulo; si la imagen que aparece en la parte superior de la pantalla cuando desplaza el mouse sobre un t\u00edtulo debe ser est\u00e1tica o un carrusel o si las sinopsis detalladas har\u00edan que los usuarios tuvieran m\u00e1s probabilidades de ver un t\u00edtulo.<\/p>\n

\u201cEn los \u00faltimos a\u00f1os las implementaciones de sistemas de recomendaci\u00f3n se han expandido en tal medida que ya forman parte de la vida de mucha gente, por ejemplo en Netflix o Spotify<\/em>\u201d, \u00a0comenta Abalde. \u00a0Y aclara \u201cactualmente se est\u00e1 investigando la mejora del desempe\u00f1o de las t\u00e9cnicas usadas para predecir las preferencias del usuario, por ejemplo usando t\u00e9cnicas de aprendizaje profundo<\/em>\u201d.<\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

En la \u00faltima d\u00e9cada los sistemas de recomendaci\u00f3n se han vuelto sumamente populares. El caso de la plataforma Netflix resulta ejemplar en este sentido. El agudo conocimiento del consumidor de sus pel\u00edculas y series es lo que nutre al sistema de recomendaciones, que permite que los usuarios descubran m\u00e1s del 80% de los contenidos que consumen habitualmente en la app. Sin embargo, la aplicaci\u00f3n de los sistemas de recomendaci\u00f3n tambi\u00e9n va mucho m\u00e1s all\u00e1 del \u00e1mbito comercial.<\/p>\n","protected":false},"author":1,"featured_media":829,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[32,24,26],"tags":[],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/825"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=825"}],"version-history":[{"count":6,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/825\/revisions"}],"predecessor-version":[{"id":843,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/825\/revisions\/843"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/829"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=825"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=825"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=825"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}