Generation of Coalition Structures to Provide Proper Groups’ Formation in Group Recommender Systems.

En el artículo se propone un sistema para la creación de grupos en base al modelo de juego de coalición de teoría de juegos. El objetivo consiste en crear los grupos de modo que el bienestar social (social welfare) se maximice. La función de bienestar social se define con las similitudes conocidas entre usuarios. Esto hace que los grupos reciban mejores recomendaciones entre más homogéneos sean.

Las recomendaciones para grupos de usuarios intentan satisfacerlos considerando que existen posibles conflictos de intereses. Los esquemas seguidos para la creación de grupos tradicionalmente son:

• Se suma un conjunto de recomendaciones individuales.
• Se construye un modelo de representación único para el grupo.
• Se suman las preferencias de artículos particulares.

Los grupos se puede categorizar en:

• Grupo establecido – Un conjunto de personas que explícitamente decidieron ser parte de un grupo debido a un interés de largo plazo.
• Grupo ocasional – Un conjunto de personas que hacen algo juntos de manera ocasional. Los miembros tienen un interés común en un tiempo en particular.
• Grupo aleatorio – Un grupo de personas que comparten el mismo entorno en un determinado tiempo, no tienen una motivación clara que los una.
• Grupo identificado automáticamente – Grupos que son detectados automáticamente considerando las preferencias y recursos disponibles sobre los usuarios.

Una de las maneras más comunes de crear los grupos es en base al promedio de los intereses de los usuarios, sin embargo, se tiene problemas con el tamaño de los grupos ya que si son demasiado pequeños, las opiniones individuales tendrán mayor impacto.

Para las pruebas se hace uso del conjunto de datos MovieLens, se tienen 943 usuarios, 1682 películas y 100,000 ratings en un intervalo de 1 a 5. Se creó una predicción del rating de los usuarios sobre las películas que aún no habían visto. Las predicciones fueron generadas por un algoritmo de filtrado colaborativo basado en KNN. El siguiente histograma muestra el resultado de las predicciones:

Se crearon 10 conjuntos de 12 usuarios de manera aleatoria para encontrar la estructura óptima de coalición (se usan 12 como máximo debido a que es el mayor número que permitió llevar a cabo el proceso en un tiempo razonable). Para comparación se aplica k-means a los conjuntos. Las siguientes tablas muestran los resultados del método propuesto y los obtenidos aplicando k-means.

En general los resultados mostraron una mejoría respecto a k-means cuando se obtienen coaliciones de gran tamaño considerando como métricas el promedio de satisfacción grupal y el índice Davies-Bouldin.

Lucas Augusto M.C. Carvalho and Hendrik T. Macedo. 2013. Generation of coalition structures to provide proper groups' formation in group recommender systems. In Proceedings of the 22nd international conference on World Wide Web companion (WWW '13 Companion). International World Wide Web Conferences Steering Committee, Republic and Canton of Geneva, Switzerland, 945-950.