Manuela I. Martín Vicente | Investigadora
Los sistemas recomendadores surgen como respuesta a la sobrecarga de información presente en numerosos dominios, que dificulta a los usuarios identificar los productos (artículos comerciales, contenidos de televisión, cursos educativos, etc.) que son relevantes para ellos. Estas herramientas ofrecen sugerencias personalizadas, seleccionando, de entre la gran cantidad de opciones disponibles, aquellos productos que mejor encajan con las preferencias de cada usuario. Para ello, las diferentes estrategias de personalización que emplean estos sistemas se basan en la información que recopilan en perfiles personales.
La creación y actualización de dichos perfiles son tareas clave en cualquier sistema recomendador, ya que de ellos depende directamente la calidad de las sugerencias ofrecidas. Sin embargo, la obtención de información acerca de los intereses de los usuarios se ve limitada a la que éstos proporcionan a través de su interacción con el sistema, bien explícitamente (mediante valoraciones cuantitativas o cualitativas de productos), bien implícitamente (por ejemplo, en una plataforma web de comercio electrónico, sus historiales de compra).
En la Web 2.0 los usuarios han dejado de ser meros consumidores de información para convertirse a su vez en productores y difusores. Millones de personas dedican un gran número de horas a diversos medios sociales (blogs, redes sociales, foros especializados, etc.), interactuando y compartiendo información en línea del mismo modo que lo hacen en el mundo real. De ahí su gran potencial como fuente de conocimiento para los sistemas recomendadores.
Uno de los mayores retos perseguidos actualmente es el análisis de la gran cantidad de datos disponible en los medios sociales. Por un lado, las publicaciones de los usuarios a menudo reflejan sus intereses, por lo que su procesado permitirá incorporar nuevas preferencias a sus perfiles sin requerir la interacción del usuario con el sistema. Por otra parte, de las diversas conexiones establecidas entre los usuarios en los medios sociales puede extraerse gran cantidad de información útil para enriquecer el proceso de recomendación.
Gradiant tiene varias líneas de trabajo abiertas en el campo de la personalización y está actualmente desarrollando un proyecto de inteligencia de negocio que incluye la generación de perfiles a partir de medios sociales (CELTIC).
