Thread by @SeguraAndres7

¿Has escuchado hablar sobre los sistemas de recomendación basados en argumentos?

¿Te gustan las recomendaciones explicadas y argumentadas?

🚨SPOILER ALERT🚨: mi investigación es al respecto.

@RedDivulga @CrueUniversidad @UAM_Madrid @UCCUAM @EDoctorado_UAM

Abro #HiloTesis 👇

En mi tesis doctoral investigo sobre sistemas de recomendación basados en argumentos, específicamente, sobre la generación y explicación de recomendaciones personalizadas e interactivas a partir de argumentos extraídos de contenido textual en español.

2/20

La hipótesis principal es:

"La explotación de la información argumentativa puede suponer importantes novedades y mejoras en la experiencia del usuario con los sistemas de recomendación".

¿Suena raro? A continuación te doy algo de contexto y detallo mi trabajo en curso.

3/20

Hoy en día, todo el mundo está expuesto a ingentes cantidades de información online. En este contexto, nos enfrentamos a multitud de situaciones cotidianas en las que tomar decisiones:

▪️ ¿Qué televisor comprar?
▪️ ¿Qué nuevas canciones escuchar?
▪️ ¿Qué libro regalar?

4/20

En estas situaciones, las tareas de búsqueda y filtrado de contenidos se hacen tediosas y complicadas.

Ahí es cuando entran al rescate los sistemas de recomendación.

Pero, ¿Qué es un sistema de recomendación?

5/20

Los sistemas de recomendación (SR) son agentes informáticos basados en Inteligencia Artificial que nos pueden ayudar en tales tareas, filtrando y sugiriendo aquellos ítems/productos que pueden ser de nuestro interés, a partir de grandes colecciones de datos.

6/20

En nuestro día a día estamos expuestos a SR en infinidad de aplicaciones, tales como Amazon, Spotify o Netflix.

Dependiendo el caso, algunas recomendaciones que recibimos están basadas en la popularidad de los ítems, pero otras tienen que ver con nuestras preferencias.

7/20

En general, expresamos nuestras preferencias (gustos e intereses) sobre los ítems de manera “explícita”:

▪️ Ratings / número de estrellas ⭐️
▪️ Pulgar arriba / abajo 👍👎
▪️ Botón de compra 🛒

8/20

Y otras veces lo hacemos de forma "implícita":

▪️ Búsquedas que realizamos en un portal web
▪️ Tiempo que empleamos en leer la descripción de un producto
▪️ Número de veces que escuchamos una canción
▪️ Tipos de series que vemos

9/20

Las anteriores fuentes de información son las que típicamente usan los SR tradicionales:

▪️ Atendiendo a nuestras preferencias (SR basados en contenido)

▪️ Atendiendo a las preferencias de personas afines a nosotros (SR basados en filtrado de colaborativo)

10/20

Sin embargo, existen otras fuentes de preferencias potencialmente útiles para los sistemas de recomendación, que están formadas por contenido textual generado por los usuarios:

▪️ Reseñas de productos
▪️ Blogs de opinión
▪️ Posts en redes sociales
▪️ Propuestas ciudadanas

11/20

De hecho, la comunidad científica ha invertido tiempo y esfuerzo en investigar métodos de extracción automática de preferencias de usuario en textos, en su gran mayoría, intentando identificar valoraciones positivas/negativas sobre aspectos o características de los ítems.

12/20

Sin embargo, pocos son los estudios que van más allá, intentando encontrar no solo qué opinamos de algo, sino también la causa o motivo de nuestras opiniones, con el objetivo de que las recomendaciones se basen no solo en lo que se dice, sino también en por qué se dice.

13/20

Esto último es un gran RETO, que consiste en la extracción automática de información argumentativa a partir de contenido textual.

Tarea ya explorada y conceptualizada en el campo de la Minería de Argumentos, subcampo a su vez del Procesamiento del Lenguaje Natural (NLP).

14/20

Por lo tanto, en esta tesis, proponemos una novedosa aproximación llamada "sistemas de recomendación basados en argumentos", los cuales abordan diversas tareas relacionadas con extracción automática y la explotación de argumentos con fines de recomendación y explicación.

15/20

De este modo:

1⃣ Investigamos nuevos métodos de recomendación que hacen uso de información argumentativa antes, durante y después del filtrado de ítems.

Lo que nos lleva a una de nuestras primeras contribuciones: clasificación de los SR según el uso de los argumentos.

16/20

2⃣ Investigamos nuevos métodos y enfoques de minería de argumentos para la identificación de conclusiones y premisas, y relaciones entre ellas, con el objetivo de extraer automáticamente argumentos computables, que puedan ser usados por un sistema de recomendación.

17/20

3⃣ Investigamos la explicación de las recomendaciones dadas a partir de los argumentos usados por el SR, con el fin de aumentar la satisfacción, la confianza, la persuasión y la fidelidad de los usuarios con respecto al sistema.

18/20

Por último,

4⃣ Investigamos la interacción (por medio de un chatbot) de los usuario con los sistema de recomendación basados en argumentos para ajustar y dar feedback sobre las recomendaciones dadas.

La interacción en el chatbot se realiza por medio de lenguaje natural.

19/20

Espero que les haya gustado el #HiloTesis y que haya podido transmitir de qué va mi investigación 😀

Si les interesa conocer más al respecto, puedes visitar nuestro website: github.com/argrecsys

Finalmente, cualquier pregunta o comentario son bienvenidos.

Gracias 👋

20/20