En la actualidad existe tal cantidad de información en internet, que una persona no tiene la capacidad de procesar toda la información para expresar lo que un usuario necesita de acuerdo con la oferta y analizando los datos de otros usuarios.  Si una persona busca algún documento en internet, la cantidad de resultados que obtiene es muy grande, y de entre toda esta información sólo unos cuantos artículos cumplen con las características determinadas por las necesidades de un usuario. Más aún, muchos documentos relevantes podrían pasar desapercibidos debido a la cantidad colosal de resultados.

Debido a esta oferta creciente de información, se ha incrementado el desarrollo e investigación de los llamados sistemas de recomendación, los cuales se pueden definir como “un conjunto de técnicas de recuperación de información que intenta descubrir el interés de los usuarios por determinados objetos, con la finalidad de ofrecerles un conjunto de objetos afines, relacionados a su perfil, en los que podría estar interesado” (Jingzhen Xie, 2015).

En la Figura 1 se puede apreciar el diagrama del flujo básico de un sistema de recomendación.

 

Actualmente, existen varios métodos utilizados por los sistemas de recomendación, los más comunes son los siguientes (Bolívar, 2017):

• Método de recomendación con filtrado basado en contenido: generan recomendaciones comparando la información del usuario con las características de los elementos a recomendar.
• Método de recomendación con filtrado colaborativo: generan recomendaciones emparejando usuarios con las mismas preferencias.
• Método de recomendación con filtrado hibrido: Combinan los métodos de filtrado basado en contenido y filtrado colaborativo para obtener una recomendación más precisa.
• Método de recomendación con filtrado basado en conocimiento: generan recomendaciones teniendo en cuenta el nivel de conocimiento de los usuarios.

En la Figura 2 se muestra el diagrama de los métodos de sistemas de recomendación más utilizados.

¿Quiénes los utilizan?

Existen muchas empresas online que utilizan este tipo de módulos incorporados a sus sistemas de búsqueda para poder recopilar datos  de sus usuarios: nos referimos al monitoreo de búsquedas, calificaciones de productos, favoritos, etcétera. Sin involucrar datos sensibles, con esta información es posible crear perfiles de preferencias, los cuales son utilizados para agrupar usuarios con afinidades similares.

La empresa Amazon.com, por ejemplo, utiliza dentro de sus servicios los algoritmos de recomendación para crear una sensación de personalización dentro de su sitio web, de acuerdo con los intereses de cada cliente. Sus recomendaciones son de alta calidad, dado que muestra productos relevantes para  los clientes, con base en sus compras anteriores o en los ítems ya elegidos en el carrito de compras. Es tan grande la demanda dentro de su sitio web que necesita generar recomendaciones a cada interacción del cliente, es decir, un sistema en tiempo real que computa de forma rápida recomendaciones para la interacción durante la navegación.

Netflix es otra empresa que tiene gran demanda de usuarios, como principal fuente de ingresos y producto ofrece el servicio de suscripción, que permite a sus usuarios ver cualquier video dentro de su colección de streaming en el momento que ellos quieran, y en el dispositivo de su preferencia con o sin conexión a internet. Para 2015 ya contaba con 65 millones de usuarios con membresía, con un consumo de más de 100 millones de horas de contenido multimedia diarios. Dentro de los servicios que ofrece una pieza importante ha sido su sistema de recomendación, que ayuda a los usuarios a buscar y encontrar en cada sesión películas o programas de televisión de su interés, así como recomendaciones afines.

Una investigación acerca de sus consumidores mostró que un usuario común de Netflix pierde el interés alrededor de los 60 a 90 segundos durante el proceso de selección, lo que conlleva a haber revisado unos 10 a 20 títulos, y tal vez 3 a detalle (Carlos A. Gomez-Uribe, 2015). Este comportamiento de los usuarios da una idea de lo importante que es un sistema de recomendación para un servicio como el que ofrece Netflix. En su caso particular, su sistema de recomendación no es un algoritmo único, sino un conjunto de diferentes algoritmos enfocados en diferentes casos de uso, y que trabajan en conjunto para crear lo que llaman “la experiencia completa de Netflix”, la cual tiene como propósito evitar que los clientes abandonen el sitio, garantizando mostrar algo de su interés en cada visita.

 

¿Qué tienen que ver con el repositorio institucional?

Abordando el mismo problema, pero enfocándonos en el mundo de los libros, y sobre todo en los libros electrónicos y demás recursos de información como artículos, revistas, periódicos, etcétera, sabemos que hay millones de temas tan variados como podamos imaginar, pero suele ser muy difícil encontrar los adecuados o aquellos que necesitamos. Así entonces, un sistema que haga las veces de un compañero que ha leído un libro, o ha oído hablar de algún recurso de interés enfocado en el tema buscado, y lo recomienda pensando que será de utilidad, podría ahorrar tiempo y esfuerzo cuando se buscan contenidos relevantes a un tema deseado, como se muestra en la Figura 3.

Las bibliotecas han estado evolucionando constantemente, desde sus servicios, hasta su actualización tecnológica. Las bibliotecas juegan un rol social importante, y dada la lucha constante por el libre acceso a los recursos electrónicos, y el constante crecimiento de los repositorios institucionales, la tarea de buscar en ellos se hace cada vez más común. Esto nos plantea la necesidad de brindar una mejor experiencia a la hora de realizar búsquedas, y mostrar resultados más adecuados a las necesidades de los usuarios.

Por ahora, el repositorio institucional de El Colegio de México solamente realiza búsquedas por medio de palabras claves, esto ayuda en gran medida a encontrar un gran número de resultados que podrían ser de utilidad, pero existen muchos otros que no; por ejemplo, si realizáramos una búsqueda de “casos de uso”, nos traería las coincidencias por palabras clave “casos”, “de” y “uso”, esto conlleva a obtener resultados de diferentes áreas de conocimiento de los cuales muchos ni siquiera están relacionados con lo que se pretende encontrar.

Lo que en un futuro se quiere lograr dentro del repositorio es la obtención de resultados más adecuados de acuerdo con el perfil de un usuario, es decir, si hemos realizado búsquedas relacionadas con la informática, es porque estamos quizás enfocados en esta línea de conocimiento, por lo que seria de mucha utilidad el tener resultados que estén dentro de las mejores evaluaciones de otros usuarios que han estado buscando este mismo termino.

Dicho lo anterior, podemos visualizar la incorporación de un módulo de recomendaciones, quizá basado en el modelo de filtrado colaborativo que consiste en una técnica de predicción por contenido que no es descrito fácil y adecuadamente por los metadatos. Trabaja con la construcción de una base de datos (matriz usuario-ítem) de preferencias por ítems de usuarios. Cada usuario construye un grupo llamado vecindad. Un usuario obtiene recomendaciones de ítems que no ha clasificado pero que ya fueron clasificados por usuarios que están en esta vecindad. La predicción es un valor numérico Rij que expresan un puntaje predicho del ítem j por el usuario i, mientras que la Recomendación (R) es una lista de los primero N ítems que al usuario le interesará, como se ilustra en la Figura 4 (F.O. Isinkaye, 2015).

Es importante mencionar que el diseño de un sistema de recomendación a la medida en el caso de un catálogo de biblioteca puede tener dos vertientes, la de recomendar documentos para aumentar el conocimiento de los usuarios, y la de ayudarlos a seleccionar un tema de investigación adecuado, contando con una referencia bibliográfica orientada a su tema de investigación, como podría ser el caso de las tesis.

 

Conclusiones

Dado que el Repositorio de El Colegio de México se encuentra en constante crecimiento y aunque aún no estamos en un punto en el cual sea excesivamente grande, eventualmente llegaremos a ello, por lo que un sistema de recomendación es una importante y viable incorporación al sistema. Ayudará a los usuarios a encontrar con mayor facilidad gran cantidad de resultados que sean de interés según el tema requerido.

Aunque por ahora son solo ideas las que se tienen, no se descarta la posibilidad de la incorporación de un sistema de recomendación dentro de nuestro repositorio, con la finalidad de facilitar la investigación de los profesores, alumnos y demás usuarios que lo consulten.

Para un futuro, proyectamos un repositorio que nos brinde recomendaciones como si se tratase de un sitio de compras, donde cada que evaluamos algún libro, articulo, revista, etcétera, en el que obtengamos un catálogo de recomendación afines a nuestra investigación o área profesional, y que no sólo se base en palabras claves o frases exactas.

 

Referencias

 

Bolívar, M. &. (2017). Sistema de recomendación de recursos digitales como apoyo a las actividades de trabajo independiente en cursos de programación de computadores. (N. U. Colombia, Ed.)

Carlos A. Gomez-Uribe, N. H. (2015). The Netflix Recommender System: Algorithms, Business Value,. ACM Trans. Manage. Inf. Syst., 19. doi:http://dx.doi.org/10.1145/2843948

F.O. Isinkaye, Y. F. (2015). Recommendation systems: Principles, methods and evaluation. Egyptian In-formatics Journal, 261–273. doi: https://doi.org/10.1016/j.eij.2015.06.005

Ghobar, E. W. (2017). Un sistema de recomendación basado en perfiles generados por agrupamiento y asociaciones. (U. P. València, Ed.)

González, M. C. (2018). Análisis e implementación de un sistema de recomendación para la lista de compra. Leganés.

Jingzhen Xie, L. (2015). Exploring Chinese Students’ Perspec-tive on Reference Services at Chinese Academic Libraries: A Case Study Approach. The Journal of Academic Librarian-ship 41, 228-235. doi: https://doi.org/10.1016/j.acalib.2015.04.002

 

 

 

 

 

---

---