Aviso: Por razones de mantenimiento y mejora de Docta Complutense, esta herramienta no está funcionando con normalidad; se pueden hacer nuevos depósitos, pero su revisión y aprobación tardará más de lo habitual por problemas en el flujo de trabajo. El lunes 31 de marzo entre las 9 y las 12 horas aproximadamente, Docta no estará operativa. Lamentamos las molestias.
 

Sistemas de Recomendación Explicables Basados en Grafos de Conocimiento

Loading...
Thumbnail Image

Official URL

Full text at PDC

Publication date

2025

Editors

Journal Title

Journal ISSN

Volume Title

Publisher

Citations
Google Scholar

Citation

Abstract

Este Trabajo de Fin de Grado aborda los retos clave en los sistemas de recomendación centrados en la precisión, la interpretabilidad y la transparencia. En particular, se enfoca en la construcción de sistemas basados en grafos de conocimiento para generar recomendaciones. Además, se implementan técnicas de explicabilidad que permiten justificar las recomendaciones de manera accesible e intuitiva, combinando explicaciones visuales derivadas de caminos mínimos en el grafo y la generación de explicaciones en lenguaje natural mediante modelos de lenguaje de gran escala (LLMs). El caso de estudio se centra en el dominio de las películas, utilizando el conjunto de datos MovieLens 1M, enriquecido con DBpedia para crear grafos de conocimiento robustos y flexibles. Mediante técnicas de embeddings translaciones sobre los grafos de concocimiento se generan embeddings utilizados para realizar recomendaciones personalizadas y relevantes. Finalmente, se realiza una evaluación exhaustiva de los enfoques implementados, destacando la contribución del sistema propuesto en términos de precisión y explicabilidad, elementos esenciales para promover una interacción más efectiva y transparente entre los usuarios y los sistemas de recomendación.
This Final Degree Project addresses the key challenges in recommendation systems, focusing on accuracy, interpretability, and transparency. Specifically, it emphasizes the development of systems based on knowledge graphs to generate recommendations. Additionally, explainability techniques are implemented to justify recommendations in an accessible and intuitive manner, combining visual explanations derived from shortest paths in the graph and natural language explanations generated by large language models (LLMs). The case study focuses on the domain of movies, using the MovieLens 1M dataset enriched with DBpedia to create robust and flexible knowledge graphs. Through translational embedding techniques applied to the knowledge graphs, embeddings are generated to produce personalized and relevant recommendations. Finally, an exhaustive evaluation of the implemented approaches is carried out, highlighting the proposed system’s contribution in terms of accuracy and explainability essential elements to foster more effective and transparent interaction between users and recommendation systems.

Research Projects

Organizational Units

Journal Issue

Description

Trabajo de Fin de Doble Grado en Ingeniería Informática y Matemáticas, Facultad de Informática UCM, Departamento de Ingeniería del Software e Inteligencia Artificial, Curso 2024/2025.

Keywords