Sistema de Recomendación Multidominio Basado en Inteligencia Artificial (IA)

Abstract

Este Trabajo Fin de Grado aborda algunos de los retos de los sistemas de recomendación modernos, centrándose en especial en los sistemas de recomendación multidominio. En particular, explora diferentes sistemas de recomendación multidominio y su rendimiento, desde sistemas más simples como los basados en recomendación por contenido o filtrado colaborativo, hasta sistemas con técnicas más complejas como el modelo EDDA(Embedding Disentangling and Domain Alignment). Este modelo se basa en dos etapas, el Desenrollado de Embeddings (ED), que distingue dos tipos de embeddings, los intra-dominio (obtiene información de cada categoría) y los inter-dominio (analiza patrones de comportamiento en general), y la Alineación de Dominios (DA) basada en “Caminos Aleatorios”. El caso de estudio se centra en tres dominios, películas, libros y música. Para ello se usan los conjuntos de datos de productos de Amazon, los Amazon Reviews 5-core, que garantizan al menos cinco interacciones de cada usuario. Este conjunto de datos pasa por una adaptación para poder realizar los experimentos sobre un entorno controlado. Finalmente, se realiza una experimentación exhaustiva sobre cada modelo propuesto con estos conjuntos de datos, y se analizan los resultados obtenidos para diferentes métricas (Recall@K, AUC ). De esta manera, en este proyecto obtenemos conclusiones sobre el rendimiento y técnicas en torno a los sistemas de recomendación multidominio.This Final Degree Project abroad some of the challenges of modern recommendation systems, focusing on multidomain recommendation systems. Specially, it explores different multidomain recommendation systems and their performances, from more simple systems, such as content-based recommendation systems or collaborative filtering recommendation systems, to more complex systems, like the EDDA (Embedding Disentangling and Domain Alignment) model. This model is based on two models, Embedding Disentangling (ED), which disentangles two different types of embeddings, intra-domain (captures information of each category) and inter-domain (analyzes general behavior patterns) combined with a Domain Alignment (DA) based on Random Walks. The case of study focuses on three domains: movies, books, and music. For that, it’s used the datasets of products from Amazon, the Amazon Reviews 5-core which guarantee at least five interactions from each user. Those datasets are adapted to be able to conduct experiments in a controlled environment. Finally, it’s realized an exhaustive experimentation on every proposed model with the datasets, and the obtained results are analyzed across a variety of metrics (Recall@K, AUC ). Through this experimentation, we get conclusions about performance and techniques around the multidomain recommendation systems.