Año 23 / Nº 35 / 2021 /
Una revisión de los sistemas
recomendadores grupales como herramienta innovadora en el área del turismo
A
survey on group recommender systems as an innovative tool in the tourism area
Yilena
Pérez-Almaguer1, Neober Martín-Dueñas2,
Edianny Carballo-Cruz3, Raciel Yera3,*
1
Universidad de
Holguín, Holguín, Cuba.
2
Hotel Pullman Cayo Coco, Ciego de Ávila, Cuba.
3Universidad de Ciego de Ávila, Ciego de
Ávila, Cuba.
*E-mail: ryera@unica.cu
Recibido:
05/02/2021; Aprobado 15/04/2021
Resumen
Los
sistemas recomendadores son herramientas enfocadas en ayudar a los usuarios a
obtener la información que mejor se corresponde con sus intereses y
preferencias en un espacio de búsqueda sobrecargado de posibles opciones. A su
vez, los sistemas recomendadores grupales se centran en la sugerencia de
determinados tipos de ítems que tienden a ser consumidos en grupos. El presente
trabajo se centra en realizar un análisis de la utilización de los sistemas recomendadores
grupales como herramienta innovadora en el área del turismo, la cual constituye
una de las áreas de aplicación más importantes de los sistemas recomendadores.
Específicamente, se lleva a cabo un estudio de los trabajos más recientes en
esta línea de investigación, realizándose una comparación atendiendo a tipo de
estudio, tipo de evaluación, escenario de aplicación, fortalezas, debilidades y
país en que se desarrolla el estudio. Esta comparación dio lugar a la
proyección de líneas futuras entre las que se destaca el desarrollo de
investigaciones de ciclo completo que incluyan nuevos algoritmos y metodologías
que concluyan con un extenso estudio experimental que garantice una apropiada
reutilización de los métodos propuestos.
Palabras clave: Sistemas Recomendadores
Grupales; Turismo; Preferencias; Revisión; Comparación.
Abstract
Recommender systems are tools focused on helping users
to get the information that best fits their preferences and needs in a search
space overloaded with possible alternatives. In addition, group recommender
systems are centered on suggesting certain kind of
items that tend to be consumed in groups. The current research work is focused on performing an analysis of the use of group
recommender systems as an innovative tool in the tourism area, which is one of
the most relevant application areas in recommender systems. Specifically, it is
performed a study of the most recent research works in this area, doing a
comparison among them according to kind of study, kind of evaluation,
application scenario, strengths, weaknesses, and country. This comparison leads
to the projection of future research lines such as the development of new algorithms
and methodologies that concludes with an extensive
experimental study that assures the appropriate reuse of the proposed methods.
Keyword: Group
Recommender Systems; Tourism; Preferences; Survey; Comparison
1. Introducción
Los
sistemas recomendadores son herramientas enfocadas a ayudar a los usuarios a
obtener aquella información que mejor se corresponda con sus intereses y
preferencias. Mientras que un buscador habitual se centra en encontrar aquello
que el usuario solicita, un sistema recomendador ayuda al usuario a tomar una
decisión, que puede ser la compra de un producto en un portal de comercio
electrónico, la lectura de un libro, la revisión de un artículo científico, el
acceso a una página web en específico, o el estudio de determinado recurso
educativo en una plataforma virtual de aprendizaje.
La clasificación más popular de los
sistemas recomendadores está asociada al algoritmo que emplean para realizar la
tarea de minería correspondiente y divide a los métodos de recomendación en
métodos de filtrado basado en el contenido, métodos de filtrado colaborativo, métodos
de filtrado demográfico y métodos híbridos [1-4]. En adición, la literatura ha desarrollado tanto sistemas recomendadores
para la sugerencia de ítems para usuarios individuales, como enfocados en
grupos de usuarios [5]. Así, los sistemas recomendadores
enfocados en grupos de usuarios se centran en la sugerencia de determinados
tipos de ítems que tienden a ser consumidos en grupos y no por usuarios
individuales, tales como programas de televisión y paquetes turísticos [6].
De
manera general, los dominios iniciales de aplicación de los sistemas recomendadores
han sido el e-commerce
[7] y el e-learning [8, 9], aunque en los últimos tiempos estos
sistemas están siendo aplicados a escenarios cada vez más diversos [10-12]. Así, son relevantes las aplicaciones de los sistemas recomendadores
en escenarios de e-health
[13] y de e-tourism [14], como dos contextos relevantes de
particular importancia.
Específicamente,
resulta importante en los últimos años el desarrollo de sistemas recomendadores
en el dominio del turismo [10]. En este dominio existe mucha
información en línea disponible y por tanto los sistemas recomendadores juegan
un papel muy importante con vistas a ayudar a los usuarios en la toma de
decisiones sobre qué paquete turístico comprar, qué instalación hotelera
visitar, o qué recorrido turístico elegir, entre otras decisiones similares a
tomar con vistas a lograr la satisfacción final del cliente [15].
En este
sentido, a pesar de ser un área con bastante desarrollo [16, 17], se ha identificado en la literatura
una ausencia de trabajos de revisión que realicen un análisis global de dichos avances
en el caso particular del desarrollo de sistemas recomendadores grupales en el
área del turismo. Lo anterior sirve como motivación para el desarrollo del
presente trabajo, el cual tiene como principales contribuciones las siguientes:
·
El
desarrollo de una revisión detallada de las contribuciones enfocadas en
sistemas recomendadores grupales en el área del turismo.
·
El
desarrollo de una comparación entre los trabajos identificados, resaltando las
fortalezas y debilidades en cada caso.
·
Un
análisis de líneas futuras de trabajo a seguir en esta área de investigación,
considerando el contexto contemporáneo de innovación en el que se desarrolla la
industria del turismo.
El resto
del trabajo se estructura de la siguiente manera. La sección 2 presenta varios
elementos básicos sobre sistemas recomendadores, esenciales para la comprensión
del trabajo. Esto incluye el principio de funcionamiento y clasificación de los
sistemas recomendadores, aplicaciones de los sistemas recomendadores en el
turismo y fundamentos de recomendación grupal. La sección 3 presenta el
desarrollo de la revisión, incluyendo metodología y análisis de los trabajos.
La sección 4 presenta la discusión de los resultados, realizando una
comparación entre los trabajos identificados, atendiendo a tipo de estudio,
tipo de evaluación, escenario de aplicación, fortalezas, debilidades y país en
que se desarrolla el estudio. En adición, se proyectan las líneas futuras a
desarrollar. El trabajo finaliza con la sección de conclusiones.
2. Elementos básicos sobre sistemas recomendadores
La
presente sección realiza un estudio de los elementos básicos sobre los sistemas
recomendadores, tales como el principio de funcionamiento y clasificación de los
sistemas recomendadores, aplicaciones de los sistemas recomendadores en el
turismo, y fundamentos de recomendación grupal.
2.1 Principio de funcionamiento y
clasificación de los sistemas recomendadores
La
figura 1 muestra un esquema del funcionamiento básico de un sistema
recomendador, en el que inicialmente un usuario necesita elegir qué ítems
consumir dentro de un gran conjunto, y para esto le solicita sugerencias al
sistema (1). Tras esto, el recomendador procesa la información asociada a los
ítems y a todos los perfiles de usuario (incluyendo el usuario actual) (2, 3),
para posteriormente sugerir los ítems más apropiados (4), quedando el usuario
libre de realizar la elección que él desee, basándose en estas recomendaciones
(5).
Figura 1. Esquema del funcionamiento de un
sistema recomendador.
Los recomendadores basados en el
contenido [18] recomiendan basándose exclusivamente en
la descripción del ítem y de un perfil con los intereses del usuario activo,
teniendo en cuenta la filosofía de “recomiéndame las cosas que he seleccionado
o me han gustado anteriormente”. Estos sistemas se caracterizan por contener un
modelo que describe los ítems que pueden ser recomendados, un modo de crear un
perfil de usuario que representa los tipos de ítems que este prefiere, y un
modo de comparar cada uno de los ítems a recomendar con el perfil del usuario,
para determinar cuáles de ellos serán recomendados.
Los ítems a ser recomendados suelen
caracterizarse a través de un conjunto de rasgos o atributos, conociéndose los
valores que pueden tomar cada uno de estos atributos. Considerando el grado de
preferencia de un usuario por un subconjunto de ítems y utilizando algoritmos
de aprendizaje, es posible construir su perfil en términos de los mismos
rasgos; y a partir de este, obtener de los ítems restantes aquellos de mayor
utilidad para el referido usuario. Las dos cuestiones más importantes en estos
sistemas son, por tanto, la representación de los ítems y el aprendizaje del
perfil del usuario.
Los
recomendadores basados en filtrado colaborativo [19, 20], por otra parte, inicialmente permiten
a los usuarios proporcionar valores de preferencias personales acerca de un
conjunto de objetos (videos, canciones, filmes), de forma tal que una vez que
haya suficiente información almacenada en el sistema, sea posible realizar
recomendaciones basándose en la información proporcionada por aquellos usuarios
con un comportamiento semejante al del usuario actual. De forma alternativa,
las preferencias de los usuarios también pueden ser adquiridas implícitamente.
Los
sistemas recomendadores demográficos [21, 22] tienen como objetivo clasificar al
usuario según sus atributos personales y hacer las recomendaciones basándose en
sus clases demográficas. El funcionamiento de estos está justificado bajo el
principio de que individuos con ciertos atributos personales en común (sexo,
edad, país), también deben tener preferencias comunes.
Finalmente,
los sistemas recomendadores híbridos [23] frecuentemente
usan una combinación de las técnicas anteriores con vistas a explotar los
méritos de cada una de ellas por separado. Así, se han desarrollado enfoques
que combinan filtrado colaborativo con información demográfica [24], enfoques de filtrado colaborativo con
métodos basados en el contenido [25], y enfoques que combinan diferentes
técnicas de filtrado colaborativo [26]. Burke [23] menciona siete formas básicas en las
que se pueden combinar varios métodos de recomendación, con vistas a construir
métodos híbridos. Estas son las basadas en mezcla, en pesos, en
intercambio, en cascada, en combinación de características, en aumento de características y en
meta-nivel.
2.2 Aplicaciones de
los sistemas recomendadores en el turismo
Numerosas han sido en los últimos años las aplicaciones
en el área de los sistemas recomendadores. Lu et al. [10] han
realizado una revisión de las principales áreas de aplicación, identificando
ocho grandes grupos de trabajos, que son e-government, e-business, e-commerce, e-library, e-learning, e-tourism, e-resources y e-group activity.
En el caso particular del turismo electrónico o e-tourism, Chaudhari y Thakkar [17] y Renjith et al. [16] han recientemente elaborado una revisión de los trabajos
disponibles en el estado del arte de esta área de investigación. Entre las
categorías identificadas para agrupar a los trabajos realizados, se encuentran
los sistemas recomendadores de hoteles [27]; los sistemas recomendadores
de restaurantes [28]; los sistemas
recomendadores de paquetes turísticos que incluyen planeación de rutas y paquetes
de viajes [29]; y los sistemas
recomendadores de atracciones puntuales como puntos de interés y museos [30].
A pesar de identificarse un importante grupo de trabajos
en estas recientes revisiones, resulta necesario resaltar que el grueso de
estos trabajos se centra en el desarrollo de sistemas recomendadores
individuales. Se lleva a cabo tanto en estos recientes trabajos de revisión
como en la literatura en general, un análisis muy limitado de trabajos
centrados en la recomendación grupal. Esto se contrapone con la naturaleza de
muchos productos turísticos, los cuales son consumidos en grupo.
A raíz de lo anterior, el presente trabajo lleva a cabo
un análisis de los trabajos más recientes enfocados en la tarea de la
recomendación grupal en el dominio del turismo.
2.3 Fundamentos de
la recomendación grupal
En la presente sección se realiza un breve análisis de
los fundamentos de la recomendación grupal, el cual resulta necesario en el
contexto del presente trabajo.
Los sistemas recomendadores grupales han ganado en
popularidad en los últimos años [5,
6], considerando que
existe un grupo de ítems tales como programas de televisión y paquetes
turísticos, que poseen una tendencia a ser consumidos por grupos y no por
usuarios individuales. En este escenario, la recomendación de ítems que satisfagan
las preferencias del grupo, puede llegar a ser una tarea compleja en
comparación con la de la recomendación individual.
Con vistas a cumplir su propósito, los sistemas
recomendadores grupales usualmente se construyen como una extensión de los sistemas
recomendadores individuales, apoyándose en la agregación de la información
asociada a cada usuario individual. Los dos enfoques principales de
recomendación grupal abordados por la literatura son:
·
La agregación de ratings,
la cual crea el perfil de un pseudo-usuario que
combina las preferencias del grupo. Este perfil es usado como el receptor final
de las recomendaciones generadas, con vistas a satisfacer las preferencias
globales del grupo [5,
31].
·
La agregación de recomendaciones, la que se basa en la agregación de las recomendaciones generadas
de manera individual a cada uno de los miembros
del grupo, con vistas a obtener la lista global de recomendaciones [5,
31].
3. Desarrollo de la
revisión
La presente sección desarrolla la revisión de los
sistemas recomendadores grupales como herramienta innovadora en el área del
turismo. Inicialmente se presenta la metodología llevada a cabo en el proceso
de revisión. En un segundo momento, se realiza el análisis de los trabajos
identificados.
3.1 Metodología
En la presente sección se muestra la metodología a seguir
para la revisión de los trabajos recientes en sistemas recomendadores grupales
aplicados al turismo, acorde a otras revisiones anteriores en otras líneas de
trabajo en sistemas recomendadores [32].
Figura 2.
Metodología a seguir durante el proceso de revisión.
La figura 2 presenta un esbozo de esta metodología, la
cual se compone de los siguientes pasos:
-Obtención del listado inicial de posibles trabajos a
analizar, a partir de Google Scholar. Con este fin,
se utiliza como cadena de búsqueda “group recommender systems tourism”, analizándose los 100 primeros trabajos devueltos,
desde 2016 hasta la fecha (Diciembre 2020). En este sentido, se considera
interesante el estudio de la tendencia de la investigación en esta línea en
estos últimos cinco años, tomando en cuenta que para etapas previas se ha
reportado poco desarrollo en esta dirección [31,
33]. Asimismo, si bien
se identificó un número de trabajos más allá de estos primeros 100 trabajos, se
detectó que por encima de esta cifra los resultados obtenidos se alejaban del
propósito de esta revisión, y por tanto no fueron considerados para un análisis
más profundo.
-Eliminación de trabajos no relacionados y no
provenientes de fuentes confiables. Aquí se dejaron de considerar del listado
inicial, algunos trabajos que no abordan el problema de la recomendación grupal
en turismo a pesar de ser obtenido con la cadena de búsqueda utilizada. En
adición, se dejaron de considerar trabajos que no cumplían con criterios de
calidad como la indización en bases de datos reconocidas como Web of Science, Scopus, Scielo; o publicados por editoriales reconocidas en el área
de las ciencias de la computación, como Elsevier, Springer, Wiley, o IEEE.
-Eliminación de resultados duplicados, considerando que
en varios casos se detectó la publicación de varios trabajos asociados a un
mismo resultado. En este escenario, se dejaron de considerar trabajos centrados
en presentar resultados parciales de investigación, resultados que también forman
parte de otros trabajos de mayor extensión sí incluidos en esta revisión.
Una vez llevado a cabo este proceso, se obtuvo un listado
final de trabajos a analizar, conformado por 8 trabajos.
3.2 Análisis de los
trabajos
En la presente sección se realiza un análisis detallado
de los trabajos centrados en recomendación grupal para el área del turismo,
identificados en la sección anterior.
3.2.1 Sistema
recomendador grupal basado en relaciones sociales
Christensen et al. [34] desarrollan
un sistema recomendador grupal para el dominio del turismo, que se basa en la
construcción de un perfil del grupo que incorpora las relaciones sociales entre
los miembros del grupo, en adición a las preferencias de estos. En adición, la
generación de las recomendaciones individuales y grupales se realiza a través
de una técnica híbrida que combina filtrado colaborativo, basado en contenido y
demográfico.
Específicamente, las recomendaciones grupales (Figura 3)
son generadas usando las preferencias del grupo, los perfiles individuales de
cada miembro y las relaciones entre dichos miembros. En este trabajo, las
relaciones se representan a través de una ponderación en dependencia de la
categoría de esta, considerándose categorías como padre/madre, pareja, hijo/hija,
amigo, colega de trabajo, etc. Dicha ponderación es utilizada en la generación
del listado de recomendaciones finales.
Figura 3. Funcionamiento
del sistema recomendador grupal basado en relaciones sociales.
La evaluación de la propuesta se realiza a través del
desarrollo de un sistema recomendador de rutas turísticas, denominado Hermes,
que incluye recomendación individual y grupal. Aquí se llevó a cabo un conjunto
de experimentos sobre este sistema, utilizando una base de datos creada
artificialmente y compuesta por 1300 rutas y 800 usuarios. Sobre esta base de
datos, se realizó la comparación entre la propuesta y otros métodos previamente
desarrollados, utilizando métricas tradicionales como MAE y Precision [35]. Se muestra que la
propuesta da lugar a una mejora en la eficacia de la recomendación, tanto a
nivel individual como grupal.
3.2.2 Sistema
recomendador basado en la contribución de cada miembro del grupo
Wang et al. [36] presentan
un enfoque de recomendación grupal de propósito general, que tiene como meta la
generación de recomendaciones tomando en consideración la contribución de cada
miembro del grupo acorde a su grado de importancia. Este grado de importancia de
cada miembro es obtenido a través de una técnica de factorización matricial.
El desarrollo de un método de recomendación que tiene en
cuenta este grado de importancia, posibilita una modelación del grupo mucho más
precisa en escenarios donde la matriz de ratings es altamente incompleta y
dispersa. En adición, también se propone un método de recomendación basado en
la distancia Manhattan, que permite capturar una aproximación local de las
preferencias promedio del grupo, y que permite mejorar también la eficacia de
la recomendación. Ambos métodos se integran en un único enfoque que está
compuesto por dos etapas que respectivamente se corresponden por cada uno de
los dos mencionados métodos.
La propuesta se evalúa utilizando bases de datos
internacionales de referencia en el área de los sistemas recomendadores, como Movielens y Jester. En adición,
se presenta un sistema recomendador de actividades turísticas, donde se muestra
la aplicación de la propuesta en este escenario. No obstante, este sistema no
constituye un elemento central en el desarrollo de esta investigación.
3.2.3 Sistema
recomendador híbrido de servicios de viajes
De Pessemier et al. [37] proponen
un sistema recomendador que ofrece sugerencias personalizadas de destinos
turísticos a usuarios individuales y a grupos. En el caso particular de los
grupos, la recomendación se lleva a cabo en dos momentos. En un primer momento,
las recomendaciones generadas a cada individuo particular, son combinadas
utilizando una técnica de agregación de recomendaciones con vistas a conformar
la recomendación grupal.
En un segundo momento, el sistema actúa como un
recomendador conversacional, en el cual cada miembro tiene la posibilidad de
establecer un ranking de sus
preferencias acorde a las recomendaciones grupales candidatas. Estos rankings son procesados a través de la
regla Borda [38], para finalmente
obtener las elecciones ganadoras.
Como parte del trabajo también se propone el método de
recomendación individual a utilizar, que se basa en una combinación de
recomendación basada en contenido, basada en filtrado colaborativo y basada en
el conocimiento. Concretamente, el método se construye como un enfoque híbrido,
donde se mezclan las salidas individuales de los tres enfoques de recomendación
mencionados.
La evaluación de la propuesta se realiza en tres fases.
Una primera fase evalúa la calidad general del prototipo de sistema
recomendador de viajes construido, para lo cual se realiza un cuestionario a
los usuarios. Una segunda fase, evalúa la percepción de los usuarios sobre la
calidad independiente de cada enfoque utilizado (basado en contenido, de
filtrado colaborativo y basado en contenido). Finalmente, una tercera fase
realiza la evaluación de la recomendación grupal, también a través de un
cuestionario con grupos y usuarios reales.
3.2.4 Sistema recomendador
soportado por un chat, en el dominio del turismo
Nguyen y Ricci [27] ilustran un nuevo
enfoque para la recomendación grupal en el dominio del turismo, que toma en
cuenta la dinámica de las interacciones de los individuos en el contexto real
del grupo. Este enfoque se desarrolla a través de un sistema montado sobre
dispositivos móviles, que monitorea y explota las interacciones de los usuarios
en un grupo de discusión, y ofrece recomendaciones apropiadas así como otros
tipos de sugerencias para guiar y ayudar a los miembros del grupo con vistas a
llegar a un acuerdo.
La lógica de la recomendación implica la observación de
las acciones de los usuarios durante el grupo de discusión, para inferir
información del usuario sobre sus preferencias en el contexto específico del
grupo. Esto se realiza a través del cálculo de una ponderación de cada una de
las características de los ítems a recomendar, con respecto al usuario activo.
Esta ponderación es subsecuentemente utilizada para calcular la utilidad de
cada ítem para dicho usuario. A su vez, esta información es posteriormente
utilizada para calcular los vectores de ponderación del grupo, mediante una
agregación de los vectores de los usuarios en la que se realiza un promedio
pesado y se considera también el rol de cada miembro del grupo.
La evaluación de la propuesta se realiza mediante un
estudio de usuario centrado en medir la usabilidad de esta, la calidad
percibida de las recomendaciones grupales y la satisfacción de la opción
elegida por el grupo.
3.2.5
Recomendación turística soportada por secuenciación de puntos de interés
Herzog et
al. [39] presentan TourRec, un sistema
recomendador de rutas turísticas para individuos y grupos, en el que las rutas
turísticas se definen como una secuencia de puntos de interés. Antes de
utilizar el sistema, el usuario tiene la opción de evaluar diferentes
categorías de puntos de interés, tales como "Arte y Entretenimiento",
"Alimentación", etc, en un rango de 0 a 5. Tras esto, el turista
puede solicitar una sugerencia de ruta especificando un origen, un destino, la
hora de inicio y la duración máxima del viaje. El sistema colecta puntos de
interés en las proximidades de los orígenes y destinos, les asocia una
valoración acorde a las preferencias del usuario y el contexto, y los combina
posteriormente hasta obtener una ruta agradable para el usuario. En adición, se
estudiaron varios algoritmos para la generación del viaje, tales como
extensiones del algoritmo de Dijkstra [39].
Este esquema se entiende para las recomendaciones
grupales, obteniendo estas a través de la agregación de los modelos de los
usuarios o de las recomendaciones individuales. Aquí se emplearon varios
enfoques tradicionales de agregación como el promedio o la estrategia del
máximo. En adición se consideraron otras estrategias de agregación como agregar
solo una parte de las rutas obtenidas individualmente, o fraccionar el grupo en
partes específicas de estas.
La evaluación de la propuesta se realiza a través de
un sistema real, con usuarios reales, construido con este fin.
3.2.6
Recomendador soportada por discusión y negociación de las preferencias
Álvarez y Ziegler [40] presentan un
nuevo enfoque para la recomendación grupal que se centra en la interacción
social entre los miembros del grupo, durante la formulación, discusión y
negociación de las características que los ítems conjuntos a ser seleccionados
deben poseer.
De manera particular, se proponen tres enfoques para
llevar a cabo este proceso, en cuya construcción se toma en consideración el
nivel sobre el cual los usuarios pueden establecer sus preferencias (nivel
individual o nivel grupo), y el tipo de información sobre la cual se necesita
consenso entre los usuarios, con vistas a ser finalmente considerada para la
generación de recomendaciones.
El trabajo explora los posibles beneficios de este
enfoque a través del desarrollo de tres prototipos de aplicaciones en el
dominio de la recomendación de viajes, las que son evaluadas con grupos de
usuarios de diferente tamaño. Aquí mide cuestiones relacionadas con la
efectividad de los diferentes métodos para compartir la información en el
grupo, y la repercusión del tamaño del grupo en el proceso de recomendación.
3.2.7 Recomendación
de viajes apoyada por geolocalización
Longesh et al. [41] presentan un sistema recomendador de viajes que se apoya en
redes sociales basadas en geolocalización, centradas en compartir los puntos de
interés visitados por los usuarios. Tomando como base este escenario de trabajo
proponen un marco de recomendación inducido por la actividad y el
comportamiento de los usuarios, para sugerir puntos de interés. Este marco
incluye un módulo de perfilamiento del usuario que combina minería de
preferencias contextuales y minería de sentimientos, para posteriormente
realizar agrupamiento de dichos perfiles. Los clústeres obtenidos son
posteriormente combinados con los perfiles individuales de los usuarios, para
una mejor representación de estos. En un segundo momento, el módulo de
recomendación de puntos de interés utiliza pre-filtrado de ítems acorde a los
requerimientos del perfil de usuario correspondiente, para posteriormente
realizar un proceso de ranking de
puntos de interés, que considera métodos de recomendación basados en vecindario
y relaciones de confianza entre los usuarios.
En adición, presenta un modelo de recomendación grupal
que utiliza las relaciones sociales entre los usuarios para obtener
ponderaciones que son utilizadas en reubicar, siguiendo un proceso de
re-ranking, el listado de recomendaciones que se obtiene por el primer modelo.
Estas propuestas se evalúan en bases de datos
obtenidas de plataformas reconocidas dentro del ámbito del turismo, como Yelp y TripAdvisor. Finalmente,
se desarrolló un sistema recomendador individual y grupal, para implementar los
desarrollos obtenidos. Este sistema, denominado XplorerVU
TwB (Figura 4), permite a los usuarios especificar
información en términos de tipo de recomendación deseada (individual o grupal),
el tipo de actividad que se desea (aventura, naturaleza, eventos, vida nocturna,
etc), el nivel de sorpresa y de energía asociado a la recomendación, así como
la posibilidad de compartir la localización actual.
Figura
4. Interfaz del sistema XplorerVU TwB.
3.2.8
Sistema enfocado a
mejorar la experiencia del usuario en proceso de post-recomendación
Alves et al [42] introduce un
modelo conceptual enfocado en mejorar la experiencia del turista en un sistema
recomendador grupal, específicamente para el proceso post-recomendación. Con
este fin se utilizan técnicas de gamificación para
adquirir el perfil del turista [43], agentes
inteligentes modelados con los perfiles y los contextos de los turistas que
incluyen aspectos psicológicos y socio-culturales, y diálogos entre los agentes
basados en argumentación.
Específicamente, la arquitectura que se presenta está
compuesta por diferentes servicios. El servicio multi-agente, responsable de
modelar los agentes inteligentes acorde a la información del turista (perfil y
contexto) y otros agentes necesarios para el proceso; el servicio de
recomendación, que se encarga de iterativamente generar las recomendaciones
tanto individuales como grupales basadas en toda la información disponible
(perfiles, contexto, etc); el servicio de puntos de interés que es obtenido
desde Google Maps o aplicaciones similares y que se
integra dentro del módulo de recomendación; el servicio de red social que
permite incorporar nueva información de interés para la recomendación, y el
módulo de gamificación que pretende favorecer la
recopilación de información por parte de los turistas.
Como conclusión del trabajo, se afirma que, aunque el
objetivo del mismo no es enfocarse en la propuesta de un nuevo algoritmo para
la generación de un listado de recomendaciones, se espera que este facilite el
consenso por parte de los usuarios en la etapa de post-recomendación,
permitiendo la elección de opciones de mayor calidad y con una mayor
satisfacción.
4.
Discusión
La presente sección se centra en realizar un análisis de
los trabajos previamente analizados, incluyendo una comparación crítica de los
mismos y la discusión de líneas futuras a las que estos dan lugar.
4.1 Comparación
entre los trabajos identificados
La tabla 1 presenta una comparación entre los trabajos
analizados, atendiendo a diferentes criterios. Se refleja el tipo de estudio en
el que mayormente se centra el trabajo (en la propuesta de un nuevo método o
metodología, o si es mayormente la propuesta de nuevo software); el tipo de
evaluación en el sentido de que si es usando bases de datos de referencia
concebidas con este fin, o un estudio de usuarios [44]; y el escenario
de aplicación de la propuesta. Asimismo, se reflejan las principales fortalezas
y debilidades asociadas a cada trabajo y el país en que mayormente se
desarrolla la investigación.
La tabla muestra claramente la existencia de dos tipos
de trabajos fundamentales. Estos son por una parte el desarrollo de plataformas
de software y arquitecturas en las que se integran métodos de recomendación
previamente desarrollados [27,
40, 42], que se evalúan
a través de estudios de usuarios o en los que no se realiza evaluación.
Tabla
1. Comparación entre los trabajos analizados.
|
|
Tipo de estudio |
Tipo de
evaluación |
Escenario de
aplicación |
Fortalezas |
Debilidades |
País |
|
Christensen et al. [34] |
Nueva metodología / algoritmo |
Usando datos artificiales |
Rutas turísticas |
Investigación de ciclo completo que incluye nueva metodología
y desarrollo de sistema |
Explotación aún insuficiente de las relaciones
sociales, lo que constituye el núcleo del trabajo |
Argentina |
|
Wang et al. [36] |
Nueva metodología / algoritmo |
Usando bases de datos de referencia internacional |
Actividades turísticas |
Uso de técnicas avanzadas como factorización
matricial |
Escasamente centrado en el dominio del turismo |
Australia |
|
De Pessemier et al. [37] |
Nueva metodología/ algoritmo |
Estudio de usuarios |
Destinos turísticos |
El uso de recomendación basada en restricciones |
No se realiza experimentación con valores de preferencias |
Bélgica |
|
Nguyen y Ricci [27] |
Nueva plataforma / arquitectura |
Estudio de usuarios |
Puntos de interés |
La adecuada incorporación de recomendación basada en
contenido, en el contexto de un chat |
Insuficiente evaluación con vistas a medir la
efectividad de las recomendaciones generadas |
Italia |
|
Herzog et al. [39] |
Nueva metodología / algoritmo |
Estudio de usuarios |
Puntos de interés |
El uso de funciones de agregación novedosas,
ajustadas al dominio en cuestión (puntos de interés) |
Propuesta no utilizable en otros dominios de
recomendación |
Alemania |
|
Álvarez y Ziegler [40] |
Nueva plataforma / arquitectura |
Estudio de usuarios |
Hoteles |
Considera cuestiones novedosas tales como
negociación y reconciliación de preferencias. |
No se realizan estudios de eficacia de la
recomendación |
Alemania |
|
Longesh et al. [41] |
Nueva metodología / algoritmo |
Usando bases de datos de referencia internacional |
Puntos de interés |
El uso de fuentes de datos reconocidas como TripAdvisor |
Descripción macro de la propuesta, que dificulta
reproductibilidad |
India |
|
Alves et al [42] |
Nueva plataforma / arquitectura |
No se realiza evaluación. (Trabajo en desarrollo) |
Ítems en general, en el dominio del turismo |
Elementos novedosos como el uso de la gamificación |
Descripción muy macro de la propuesta |
Portugal |
Por otra parte, se identificaron algunos trabajos en
los que se proponen nuevos métodos o algoritmos [34,
36, 37, 39, 41], pero en los
que en muchos casos la evaluación de los mismos resulta incompleta, al
centrarse en bases de datos artificiales [34], o limitándose
a la realización de estudios de usuarios [37]. No se reporta
un uso extensivo de la evaluación offline
como paso previo al desarrollo de estudios de usuario y evaluación online, como lo sugieren los protocolos
establecidos en el área de los sistemas recomendadores [44,
45].
Con respecto al dominio de aplicación, se observa una
convergencia por parte de las propuestas a considerar dominios como el de las
rutas turísticas, o los puntos de interés. Estos trabajos tuvieron un mayor o
menor nivel de ajuste y dependencia del dominio en cuestión, registrándose
trabajos de propósito general dentro del dominio del turismo como De Pessemier et al. [37], o trabajos
bien enfocados en un dominio específico como el de los puntos de interés [39]. En adición se
identificaron trabajos con metodologías para cualquier dominio de
recomendación, que posteriormente se aplican en un sistema informático para el
turismo [36].
Finalmente, es de resaltar como este problema de
investigación ha sido previamente abordado por autores de diferentes países y
culturas, tales como Argentina, Italia, Bélgica, Alemania, India, Australia,
entre otros.
4.2 Líneas futuras
a desarrollar
El análisis realizado a lo largo de este trabajo detectó
que en los últimos años ha ocurrido un incremento del desarrollo de estudios de
usuarios, restándole protagonismo al desarrollo de investigaciones de ciclo
completo que incluyan la construcción de nuevos algoritmos y metodologías que
concluyan con un extenso estudio experimental, centrados en el dominio de la recomendación
grupal para el turismo. Así, resulta necesario el desarrollo de nuevas
propuestas centradas en esta dirección, que puedan ser directamente
reutilizadas por otros desarrolladores de sistemas informáticos enfocados en el
dominio del turismo.
Más específicamente, es preciso la construcción de nuevas
propuestas que profundicen en nuevas técnicas para agregar preferencias
individuales en el nivel de grupo, en cómo distinguir entre grupos satisfechos
y no satisfechos, cómo correlacionar y comparar las preferencias individuales
con las grupales, y cómo relacionar las preferencias personales como la
personalidad de los usuarios, tal y como recientemente también lo han reflejado
otros autores como Delic et al. [46].
Se hace necesario también utilizar de una forma más
activa los paradigmas tradicionales de recomendación, como la recomendación
basada en contenido y el filtrado colaborativo [19], y no considerar
la solución al problema abordado en el presente trabajo únicamente a través de
meras extensiones de los sistemas recomendadores individuales. Tomando en
cuenta los trabajos analizados, únicamente Wang et al. [36] y
Herzog et al. [39] realizan
incipientes esfuerzos en este sentido. Es necesario también considerar otros
criterios de calidad de las recomendaciones , como diversidad [47] y cubrimiento [35] del listado del
listado de recomendaciones generadas.
Finalmente, resulta necesario explorar nuevos dominios de
recomendación dentro de la propia área del turismo, tal como la recomendación
de secuencias de actividades de innovación, inicialmente propuesto por
Carballo-Cruz et al. [48,
49].
5. Conclusiones
El presente trabajo se centró en realizar una revisión
del rol de los sistemas recomendadores grupales como herramienta innovadora en
el área del turismo. Con este fin, se desarrolló un análisis de los trabajos
recientes más relevantes identificados en la literatura, centrados
en el problema de la recomendación grupal de ítems asociados al dominio del
turismo.
El análisis arrojó como resultados principales la
presencia de una convergencia de dominios de aplicación de los sistemas recomendadores
grupales en el área del turismo, para considerar dominios como el de las rutas
turísticas o los puntos de interés. No obstante, no se identificó el uso
extensivo de la evaluación offline
como paso inicial del proceso de evaluación, como lo sugieren los protocolos
establecidos en el área de los sistemas recomendadores [44,
45]. A raíz de
esto, se consideró insuficiente el desarrollo investigativo centrado en la
propuesta de nuevos métodos y algoritmos centrados en este problema en
particular.
Estas conclusiones dan lugar por tanto a la propuesta
de líneas futuras a explorar, entre las que se mencionan el desarrollo de
nuevas propuestas centradas en nuevos algoritmos y metodologías que concluyan
con un extenso estudio experimental, que puedan ser directamente reutilizadas
por otros desarrolladores de sistemas informáticos enfocados en el dominio del
turismo. Asimismo, se necesita considerar la creación de nuevas propuestas que
tomen en cuenta otros criterios de calidad de las recomendaciones, como la diversidad [47] y el cubrimiento [35].
Esperamos que el presente trabajo sea útil para la
comunidad científica, con vistas a continuar desarrollando la todavía
incipiente línea de investigación de sistemas recomendadores grupales para el
turismo.
Referencias
[4] L.
Lü, et al., "Recommender
systems," Physics Reports, vol.
519, pp. 1-49, 2012.
[44] F.
Ricci, et al., Recommender Systems Handbook 2nd Edition. New York: Springer, 2015.