Sistemas de Recomendación Explicables Basados en Grafos de Conocimiento

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.