Publicación:
Análisis de Conceptos Formales en el área de recomendación. Aplicación experimental basada en RecSys 2019

Vista sencilla de ítem
dc.contributor.authorOrtega Sánchez, Carlos Ismael
dc.contributor.directorCigarrán Recuero, Juan Manuel
dc.date.accessioned2024-05-20T12:40:02Z
dc.date.available2024-05-20T12:40:02Z
dc.date.issued2023-07-07
dc.description.abstractCon el auge de internet y la creciente cantidad de datos disponibles, los sistemas de recomendación se han convertido en una herramienta esencial para ayudar a los usuarios a encontrar información relevante. En particular, la explosión de contenido generado por los usuarios ha aumentado la necesidad de sistemas de recomendación que puedan manejar grandes cantidades de datos y proporcionar recomendaciones personalizadas. En los últimos años, ha surgido una tendencia en la utilización de sistemas basados en Aprendizaje Profundo para abordar una amplia gama de problemas. Si bien estos sistemas han demostrado ser altamente efectivos en diversas tareas, también presentan desafíos en términos de su interpretación y predictibilidad. Esta falta de transparencia y comprensión en los modelos de Aprendizaje Profundo plantea preocupaciones significativas en aplicaciones críticas, como la atención médica, la justicia penal o la toma de decisiones financieras. La opacidad de estos modelos dificulta la confianza y la aceptación de los resultados, lo que puede limitar su utilidad en determinados contextos. Una posible alternativa puede ser la teoría del Análisis de Conceptos Formales (FCA) que permite la organización automática de distintos datos en una estructura llamada retículo con relaciones generalización-especificación. Esta representación revela relaciones ocultas que pueden escapar a la percepción humana y puede ser útil para mejorar la precisión y la interpretación de los sistemas de recomendación. Al proporcionar una representación más entendible y navegable de la información, el enfoque del FCA puede ayudar a los usuarios a comprender mejor las recomendaciones y a confiar en los resultados. El presente trabajo trata de analizar la utilidad del FCA en el contexto de la recomendación basándose en la convención de RecSys 2019. Para ello, primero se ha tenido que explorar la creación del retículo y su estudio. Referente a esto, se proponen distintas aproximaciones de posibles usos que se pueden dar al retículo de conceptos formales generados para así poder realizar una recomendación. Posteriormente se han realizado distintas aproximaciones para la extracción de la información representada en el retículo y así poder usarla en la recomendación. Por ultimo, se han comparado las distintas aproximaciones entre sí para comprobar su utilidad. Los resultados obtenidos en este experimento demostraron la utilidad de la FCA para mejorar los sistemas de recomendación, obteniéndose una mejoría de un 20.12% en una de las propuestas. Esto favorece la idea de que la FCA puede ser una teoría útil y efectiva en el campo de la recomendación.es
dc.description.abstractWith the rise of the internet and the increasing amount of data available, recommender systems have become an essential tool to help users find relevant information. In particular, the explosion of user-generated content has increased the need for recommender systems that can handle large amounts of data and provide personalised recommendations. In recent years, a trend has emerged in the use of deep learning-based systems to address a wide range of problems. While these systems have proven to be highly effective in a variety of tasks, they also present challenges in terms of their interpretability and predictability. This lack of transparency and understanding in deep learning models raises significant concerns in critical applications such as healthcare, criminal justice or financial decisionmaking. The opacity of these models makes it difficult to trust and accept the results, which may limit their usefulness in certain contexts. A possible alternative may be the theory of Formal concept analysis (FCA), which allows the automatic organisation of different data into a structure called a lattice with generalisation-specificity relationships. This representation reveals hidden relationships that may escape human perception and can be useful for improving the accuracy and interpretability of recommender systems. By providing a more understandable and navigable representation of information, the FCA approach can help users to better understand recommendations and trust the results. This paper attempts to analyse the usefulness of FCA in the context of recommendation based on the RecSys 2019 convention. In order to do so, first the creation of the lattice and its study had to be explored, and with reference to this, we offer different approaches of possible uses that can be given to the lattice of formal concepts generated in order to be able to make a recommendation are proposed. Subsequently, different approaches have been used to extract the information represented in the lattice in order to be able to use it in the recommendation. Finally, the different approaches have been compared with each other to check their usefulness. The results obtained in this experiment demonstrated the usefulness of the FCA to improve the recommendation systems, obtaining an improvement of 20.12% in one of the proposals. This supports the idea that FCA can be a useful and effective theory in the field of recommendation.en
dc.description.versionversión final
dc.identifier.urihttps://hdl.handle.net/20.500.14468/14701
dc.language.isoes
dc.publisherUniversidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Lenguajes y Sistemas Informáticos
dc.relation.centerFacultades y escuelas::E.T.S. de Ingeniería Informática
dc.relation.degreeMáster Universitario en Tecnologías del Lenguaje (UNED)
dc.relation.departmentLenguajes y Sistemas Informáticos
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.titleAnálisis de Conceptos Formales en el área de recomendación. Aplicación experimental basada en RecSys 2019es
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
OrtegaSanchez_Ismael_TFM.pdf
Tamaño:
1.95 MB
Formato:
Adobe Portable Document Format
Descargar
Colecciones
Trabajos de fin de máster (TFM)