=Paper=
{{Paper
|id=None
|storemode=property
|title=Recomendaciones basadas en confianza para medios sociales
|pdfUrl=https://ceur-ws.org/Vol-697/8.pdf
|volume=Vol-697
}}
==Recomendaciones basadas en confianza para medios sociales==
https://ceur-ws.org/Vol-697/8.pdf
Recomendaciones basadas en confianza para medios sociales
Trust based recommendations for social media
Borja Monsalve Piqueras
Wipley, Social Gaming Platform
Avda. M-40, nº 15 1º 10, Alcorcón, Madrid
borja.monsalve@wipley.com
Resumen: En este artículo planteamos las ventajas que podría ofrecer la aplicación de técnicas
de recomendación de contenidos basadas en la confianza en medios sociales como Wipley, una
red social vertical sobre videojuegos, donde los usuarios pueden acceder no sólo a información
relativa a juegos, sino también conectar con otros aficionados y sus opiniones. Este tipo de
recomendaciones se centran en el grafo social del usuario, y su utilización en medios como
Wipley tiene como principal objetivo sugerir contenidos relevantes y de confianza. Esto
generará mayor satisfacción del usuario y un aumento de su actividad en el sitio y con otros
usuarios. Esto a su vez podrá beneficiar al medio social en cuestión como resultado del aumento
del consumo de información y productos derivados del mismo.
Palabras clave: sistemas de recomendación, confianza, redes sociales, videojuegos
Abstract: In this paper we present the advantages of applying trust in recommender systems for
social networks like Wipley, a vertical social network of videogames, where users can access
information related to games and interact with other users and their opinions. This kind or
recommendations are based on the social graph of the user, and using it in sites like Wipley is
aimed to offer relevant and confident content to the user. This will increase user’s satisfaction
with the site and other users and, at the same time, will benefit the social network with an
increase of information demand and purchase of related products.
Keywords: recommender systems, trust, social networks, videogames
Tanta información, en ocasiones, puede
1 Introducción llegar a sobrepasar al usuario, provocando en él
la sensación de estar completamente perdido en
Hoy en día disponemos de una gran variedad de
este mar de datos.
aplicaciones web que nos permiten generar
Los sistemas de recomendación han
rápida y fácilmente contenido. Ejemplos típicos
demostrado ser una alternativa efectiva a la
son los blogs, las wikis o los foros, y gracias a
hora de proporcionar una manera diferente de
ellos prácticamente cualquier usuario tiene la
acceder a la información (O'Donovan, 2005),
posibilidad de crear y aportar datos a la web
ofreciendo contenidos de manera más proactiva
para que cualquier otro acceda a ellos.
y personalizada en función de sus preferencias.
El boom de las redes sociales no ha hecho
En las redes sociales también se tiene la
más que acentuar esta tendencia. Ahora los
capacidad de expresar en qué medida un
usuarios pueden relacionarse unos con otros,
usuario confía en otros (Golbeck, 2007). La
compartiendo intereses, información y
confianza permite determinar las personas con
contenidos al tiempo que opinan sobre ellos y
quienes deberíamos compartir contenidos y de
los valoran.
quiénes aceptarlos. Es lógico pensar que un
Según (Tomkins 2008), los usuarios generan
usuario valorará mejor las recomendaciones
al día entre 8 y 10 GB de información, unos 3
venidas de gente en la que confía más. Por tanto
TB de datos privados (incluyendo e-mails), más
los sistemas de recomendación que incorporan
de 1 millón de posts en blogs, 3 millones de
la confianza entre usuarios como factor a tener
mensajes en Twitter, más de 150 millones de
en cuenta, poseen el potencial de generar
URLs almacenadas Delicious, y así un largo
etcétera...
recomendaciones aún más personalizadas y anteriormente. Con los elementos nuevos la
atractivas. dificultad radica en que hasta que un artículo no
tenga un mínimo número de valoraciones, no
2 Antecedentes será recomendado. La dispersión consiste en
que generalmente hay menos valoraciones para
Se considera a los sistemas de
un objeto que las que el recomendador
recomendación como disciplina independiente
necesitaría para considerarlo como candidato.
desde mediados de los 90, cuando los
Por ejemplo, un videojuego puede estar muy
investigadores comenzaron a utilizar las
bien puntuado, pero no por el suficiente número
valoraciones de los usuarios sobre un contenido
de usuarios, lo que hará que apenas sea
para ofrecer resultados a priori desconocidos
sugerido a los usuarios.
para otros usuarios. De manera general, puede
decirse que el problema de la recomendación se
reduce al problema de estimar una valoración o
3 Recomendación Social y Confianza
puntuación para contenidos que aún no han sido
vistos por el usuario (Adomavicius, 2005). Recientemente los investigadores han
En los sistemas de recomendación suelen comenzado a incluir la confianza como una
estar presentes dos espacios de trabajo: por un nueva variable para mejorar los resultados
lado se encuentran los usuarios, y por otro los obtenidos y paliar algunos de los problemas
contenidos (noticias, vídeos, canciones...) o anteriores. Existen evaluaciones empíricas que
productos (libros, restaurantes, ordenadores...) demuestran que los sistemas de recomendación
susceptibles de ser valorados por aquéllos y por que utilizan la confianza son los más efectivos
tanto recomendados por el sistema. en términos de precisión, siendo esto
El objetivo de todo sistema de especialmente evidente en usuarios que han
recomendación es encontrar la utilidad que realizado todavía pocas valoraciones (Massa y
puede tener un contenido o producto para un Avesani, 2007).
usuario concreto, y ofrecerle los que se Golbeck (Golbeck, 2007) define la
consideran más provechosos para él. Esta confianza como el compromiso con una acción
utilidad normalmente se representa mediante basada en la creencia de que las acciones
una valoración o puntuación (rating en inglés), futuras de esa persona darán lugar a un buen
a través de la cual una persona ha indicado en resultado. (Ziegler y Golbeck, 2006) llevaron a
qué grado le ha gustado o interesado algo en cabo un estudio en el que mostraban que existía
concreto. una fuerte y significativa correlación entre la
El problema es que lo normal es que la semejanza y la confianza: cuanto más parecidas
utilidad no se encuentre definida para todo el eran dos personas, mayor resultaba la confianza
espacio de trabajo formado por los usuarios y entre ellos. Así, un sistema que es capaz de
los elementos a recomendar, con lo que deberá demostrar la semejanza entre las preferencias de
ser estimada de algún modo por el sistema. los usuarios es un sistema más confiable.
En función de cómo se calculan estas Un sistema que utiliza la confianza como
estimaciones y, por tanto, cómo se hacen las variable, necesita que se haya declarado de
recomendaciones, normalmente se distinguen alguna manera quién confía en quién. Estas
tres tipos de sistemas de recomendación: declaraciones definen una red social "de
basados en contenido, colaborativos e híbridos. confianza". Si esta información ha sido
Los sistemas de recomendación basados en declarada expresamente por los usuarios, el
el contenido presentan algunos problemas, sistema será más preciso. Si no es así, habrá que
como el exceso de especialización (por la cual inferirla de algún modo a partir de cómo
no ofrecerá al usuario elementos diferentes a los interactúan unos usuarios con otros.
que haya visto con anterioridad), o los Uno de los algoritmos para el cálculo de la
derivados de la gestión de usuarios noveles (el confianza más citados es el Eigen Trust, aunque
sistema necesita que el usuario haga suficientes fue diseñado para sistemas P2P en lugar de para
valoraciones antes de poder sugerirle algo). redes sociales (Kamvar, Schlosser y García-
Los recomendadores colaborativos suelen Molina, 2004). Trata la confianza como una
tener problemas también con la inserción de relación entre el contenido corrupto y el válido
nuevos elementos, la dispersión y también con que un usuario ha recibido de otro. Para
el caso de los usuarios nuevos citado calcular en qué grado se puede confiar en un
usuario desconocido se hace uso de la red de a la red social, participantes recientes, etc. Pero
contactos y se infiere la confianza, calculada a también es personalizada porque Wipley
través de una variación del PageRank utilizado recomienda una serie de juegos que el usuario
por Google. no posee en función de los que ya componen su
(Ziegler y Lausen, 2004) propusieron el colección (ver figura 2).
algoritmo Appleseed, una métrica de confianza
local que a partir de una red y un elemento de la
misma, devuelve un ranking de todos los nodos
en la red. Al igual que el algoritmo Eigen, se
basa en encontrar el vector eigen principal.
(Golbeck, 2005) introdujo el algoritmo
TidalTrust para procesar valores personalizados Figura 1. Videojuegos recomendados para el
de confianza en redes sociales. Este algoritmo juego Dragon Age: Origins (rol)
proporciona resultados utilizando la misma
escala con la que los usuarios asignan valores Ambas recomendaciones se realizan
de confianza a otros usuarios. Normalmente utilizando un enfoque colaborativo. La
genera predicciones efectivas que permiten diferencia está en que para la ficha del juego, la
mejorar las recomendaciones, pero posee recomendación se centra en el elemento,
algunas pegas que hacen que sólo pueda usarse mientras que las de la portada se centran en el
cuando existen conexiones entre los usuarios y usuario. En cualquier caso el objetivo es
cuando los valores de confianza para esas descubrirle al jugador nuevos contenidos en la
conexiones son accesibles. red que pueden resultar de su interés en función
de las valoraciones dadas por él y por otros
4 Aplicación en Wipley usuarios.
Wipley1 es una red social vertical centrada en el
mundo de los videojuegos. En ella los usuarios
pueden interactuar con otros aficionados, y
gestionar sus colecciones de videojuegos. Cada
usuario puede indicar cuáles posee, y asignarle
a cada uno de ellos una valoración entre 1 y 5
en tramos de 0,25 puntos, así como insertar
comentarios. En cualquier caso, no es necesario
agregar un juego a la colección para poderlo
votar o comentar.
Al acceder a la ficha de un juego, no sólo se
puede ver la información básica del mismo
(título, desarrollador, etc.), o datos relacionados
con él, como entradas en Twitter o YouTube,
sino también la recomendación de otros juegos
similares en función del que estamos viendo.
En la actualidad Wipley sugiere 4 títulos, para Figura 2. Juegos recomendados para un
los que muestra su nombre, carátula, género, usuario en función de su perfil.
plataforma y valoración media en función de
los votos de otros usuarios. Así el usuario puede Con ello se logra una mayor interacción con
descubrir títulos similares a aquel que está el sitio, y esta se hace a través de información
revisando (ver figura 1). de interés. El sistema ayuda al usuario a no
Cuando un usuario accede a Wipley lo hace sentirse perdido entre tanta información y
a través de su portada, una página web navegar por contenido útil.
dinámica y personalizada. Es dinámica porque La utilización de información relativa a la
en ella se muestra la actividad más reciente de confianza que un usuario deposita en otro puede
la red en forma de publicaciones de otros ayudar a una red social como Wipley en varios
usuarios en sus blogs, últimos juegos añadidos sentidos. En primer lugar, permitirá mejorar la
recomendación de usuarios, que hasta el
1 momento se basa únicamente en la similitud de
http://www.wipley.es
perfiles entre ellos. Así, una persona podrá exceso de información que pueblan las redes
aumentar su red de amigos a partir de las sociales en Internet.
sugerencias ofrecidas en base a las relaciones Añadir la variable de la confianza permite
de confianza establecidas dentro de su grafo obtener recomendaciones más efectivas y
social. Por ejemplo, si el usuario A confía transparentes, que pueden aumentar el tráfico y
mucho en el usuario B, y esté a su vez en C, el la actividad en una comunidad online, así como
sistema podría recomendar a A que contactase los beneficios derivados por el aumento de
con C, basándose en las relaciones de confianza páginas vistas, tiempo en el sitio y productos
existentes entre ellos. Así, el usuario A tendrá vendidos por afiliación.
la opción de añadir a su red un contacto de
calidad.
Además, permitirá recomendar contenidos Bibliografía
en base a la confianza. Por ejemplo, el sistema
J. Golbeck, “Trust and nuanced profile
recomendará un videojuego por el simple hecho
similarity in online social networks”. 2007.
de que sea uno de los mejor valorados por
MINDSWAP Informe técnico TR-MS1284,
usuarios en los que más confianza tengamos
Universidad de Maryland, College Park,
depositada, ampliándose así la manera de
Informe Técnico (Tech. Rep.)
ofrecer sugerencias de manera colaborativa.
Al mismo tiempo la confianza ayudará a S. D. Kamvar, M. T. Schlosser, y H. García-
explicar mejor por qué se ofrece una Molina. 2004. "The eigentrust algorithm for
recomendación, permitiendo por tanto un reputation management in p2p netwoks".
proceso más transparente de cara al usuario. De Proceedings of the 12th International Word
hecho, una buena explicación aumenta la Wide Web Conference.
confianza y lealtad del usuario hacia el sitio,
P. Massa, P. Avesani. 2007. "Trust-aware
incrementa también su satisfacción y hace que
recommender systems". Proceedings of the
sea más probable que una persona compre o
2007 ACM conference on Recommender
recomiende directamente algo (Tintarev,
systems, October 19-20, 2007, Minneapolis,
Masthoff 2007).
MN, USA
Estas técnicas servirán no sólo para ofrecer
videojuegos a los usuarios de Wipley, sino J. O'Donovan y B. Smith. 2005. "Trust in
también cualquier otro tipo de contenido en la Recomender Systems". Proceedings of the
red social, como entradas en blogs de otros 10th International Conference on Intelligent
usuarios, grupos, foros, etc. User Interfaces (EC’04), pp. 167–174. ACM
En resumen, Wipley se beneficiará Press, Nueva York.
principalmente en tres sentidos. Por un lado al N. Tintarev y J. Masthoff. 2007. "A Survey of
ofrecer más contenido de valor al usuario se explanations in recommender systems".
logrará que pase más tiempo en el sitio, Proc. ICDEW’07, 801-810.A. Tomkins.
traduciéndose en más páginas vistas, y por tanto 2008. “Challenges in Searching Social
más ingresos por impresiones publicitarias. Por Media”. Proceedings of the 2008 ACM
otro, al fomentar el descubrimiento no sólo de Workshop on Search in Social Media, SSM
contenido, sino de personas, se propiciará una 2008, ACM CIKM, pp. 1-2.
mayor interacción entre usuarios, más actividad
en la red social y por tanto un incremento del C. N. Zeigle, J. Golbeck. 2006. "Investigating
atractivo de Wipley. Y por último, como se correlations of trust and interest similarity".
comentaba anteriormente, mejorar la Decision Support Services.
percepción de la calidad y la confianza en las C. N. Zeigle, G. Lausen. 2004. "Spreading
recomendaciones se podrá traducir también en activation models for trust propagation".
un aumento de las ventas a través de sistemas Proceedings of the IEEE International
de afiliación. Conference on e-Technology, e-Commerce,
and e-Service, Taipei, Taiwan. IEEE
Computer Society Press.
5 Conclusiones
Los sistemas de recomendación permiten
ayudar al usuario a enfocarse ante el tremendo