Sistemas de recomendación para la toma de decisiones. Estado del arte

Abstract

Los Sistemas de Recomendación (SR) son técnicas de filtrado de información que nacen con el objetivo de facilitar o asistir al usuario en la toma de una decisión. El principal objetivo de estos sistemas es dar solución a problemas de sobrecarga de información, brindándole al usuario información sintetizada que pueda ser utilizada en la toma de decisiones. Las técnicas utilizadas para llevar a cabo las recomendaciones difieren unas de otras significativamente, tanto en la información requerida como en los procesos necesarios para llevar a cabo estas recomendaciones. La presente investigación tiene como objetivo realizar un estudio sobre el estado del arte actual de los SR. El estudio reveló que aunque los SR más utilizados y más conocidos son los colaborativos y los basados en contenido, no en todas las situaciones son los más adecuados.

Full text

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166
Publicación cuatrimestral. Vol. 6, No. 1 (Enero-Abril), Año 2022. Pág. 149-164
SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. ESTADO DEL ARTE
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. ESTADO DEL
ARTE
AUTORES: Bárbara Bron Fonseca
1
Omar Mar Cornelio
2
DIRECCIÓN PARA CORRESPONDENCIA: barbara.bron.fonseca@gmail.com
Fecha de recepción: 08/04/2021
Fecha de aceptación: 22/12/2021
RESUMEN
Los Sistemas de Recomendación (SR) son técnicas de filtrado de información que nacen con el
objetivo de facilitar o asistir al usuario en la toma de una decisión. El principal objetivo de estos
sistemas es dar solución a problemas de sobrecarga de información, brindándole al usuario
información sintetizada que pueda ser utilizada en la toma de decisiones. Las técnicas utilizadas
para llevar a cabo las recomendaciones difieren unas de otras significativamente, tanto en la
información requerida como en los procesos necesarios para llevar a cabo estas recomendaciones.
La presente investigación tiene como objetivo realizar un estudio sobre el estado del arte actual de
los SR. El estudio reveló que aunque los SR más utilizados y más conocidos son los colaborativos
y los basados en contenido, no en todas las situaciones son los más adecuados.
PALABRAS CLAVE: Sistemas de Recomendación; estado del arte; filtrado colaborativo; vasado
en contenido; basados en conocimiento.
RECOMMENDATION SYSTEMS FOR DECISION MAKING. STATE OF THE ART
ABSTRACT
Recommender Systems (RS) are information filtering techniques that were born with the aim of
facilitating or assisting the user in making a decision. The main objective of these systems is to
solve information overload problems, providing the user with synthesized information that can be
used in decision making. The techniques used to carry out the recommendations differ from each
other significantly, both in the information required and in the processes necessary to carry out
these recommendations. This research aims to conduct a study on the current state of the art of SR.
1
Profesor de la Carrera Ingeniería Industrial. Centro Universitario Municipal Guanajay. Universidad de Artemisa.
Artemisa. Cuba. ORCID: https://orcid.org/0000-0001-9463-8408. Correo electrónico:
barbara.bron.fonseca@gmail.com
2
Centro de Estudio de Matemática Computacional, Facultad de Ciencias y Tecnologías Computacionales, Universidad
de las Ciencias Informáticas. La Habana. Cuba. ORCID: https://orcid.org/0000-0002-0689-6341. Correo electrónico:
omarmar@uci.cu

Bárbara Bron Fonseca, Omar Mar Cornelio
150
UNESUM-Ciencias. Publicación cuatrimestral. Vol. 2, Año 2021, No. 2 (Mayo-Agosto)
The study revealed that although the most widely used and well-known SRs are collaborative and
content-based, they are not the most appropriate in all situations.
KEYWORDS: Recommender Systems; state of the art; collaborative filtering; packed in content;
knowledge based.
INTRODUCCIÓN
Pedir recomendaciones ante incertidumbres es una condición humana y en los últimos años se ha
convertido en una condición automática cuya exactitud depende de diversos factores. En este
escenario surgen los Sistemas de Recomendación (SR) los cuales cuentan con una función de
recomendación inteligente que proporciona a los usuarios información valiosa de datos masivos de
internet y de grandes bases de datos (Zhang et al., 2018).
Los SR son técnicas de filtrado de información que nacen con el objetivo de facilitar o asistir al
usuario en la toma de una decisión (García & Gil). Estos sistemas tienen como principal tarea
seleccionar y clasificar cierta información de acuerdo con los requerimientos del usuario por lo que
son muy atractivos en situaciones donde la cantidad de información que se ofrece al usuario supera
ampliamente cualquier capacidad individual de exploración (Ramírez, 2018). Los SR han
demostrado mejorar el proceso de toma de decisiones y la calidad de estas cuando no hay suficiente
conocimiento personal o experiencia de las alternativas (Pathak et al., 2010), elemento que es
comprensible ante los enormes volúmenes de información que se generan en la actualidad (Resnick
& Varian, 1997).
Formalmente, puede definirse a un SR como una función que devuelve una lista de ítems ordenados
por su utilidad con respecto al usuario . Los SR se definen como un campo de la Inteligencia
Artificial en donde los investigadores se centran explícitamente en evaluar lo relevante de aquellos
elementos que el usuario no conoce. El principal objetivo de estos sistemas es dar solución a
problemas de sobrecarga de información, brindándole al usuario información sintetizada que pueda
ser utilizada en la toma de decisiones.
Las entidades principales que intervienen en un SR son los usuarios y los objetos. El usuario es la
persona que utiliza el sistema de recomendación, ya sea para recibir recomendaciones sobre nuevos
objetos que aún no conoce o para aportarlas sobre objetos que ya conoce. Los objetos pueden
entenderse como los elementos potencialmente recomendables. Para esta investigación los objetos
estarán definidos por los Indicadores identificados en (Lugo 2012) para la evaluación de proyectos
y que están almacenados en una base de datos para su posterior análisis. De forma general los RS,
están formados por tres componentes:
Datos de entrada: la información que el usuario debe comunicar al sistema para generar una
recomendación.
Algoritmo de recomendación: proceso en el que se combinan los datos almacenados previamente
y los datos de entrada proporcionados por el usuario, para generar las recomendaciones.
Base de datos: representa toda la información almacenada en el sistema antes de comenzar el
proceso de recomendación.
Los datos de entrada del sistema pueden ser de varios tipos, las más comunes son:

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166
Publicación cuatrimestral. Vol. 6, No. 1 (Enero-Abril), Año 2022. Pág. 149-164
SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. ESTADO DEL ARTE
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
 Valoraciones de los usuarios (conocidas como ratings). Estas valoraciones pueden ser
puntuaciones numéricas o textuales como “me interesa / no me interesa”.
 Datos demográficos, que recogen los datos genéricos de los usuarios, como edad, género,
educación, nacionalidad, etc. suelen introducirse por ellos mismos de forma explícita.
 Datos de contenido, basados en análisis textual de los documentos de los objetos ya
valorados por el usuario o en las características descriptivas de los objetos.
 Ejemplo inicial de los objetos que le interesa analizar. Siendo este el escenario a contemplar
en esta investigación.
De estas entradas dependerán después los distintos tipos de algoritmos de recomendación que se
puedan utilizar. Las recomendaciones constituyen las salidas del sistema. Estas salidas pueden
tomar una de las siguientes formas o ambas en el mejor de los casos:
 Una recomendación, que es una lista formada por los L objetos más útiles para ser
analizados el usuario.
 Una explicación (Tintarev & Masthoff, 2007), que constituye una justificación asociado a
cada indicador de la lista de recomendaciones.
Figura 1. Elementos de un Sistema de recomendación.
Las técnicas utilizadas para llevar a cabo las recomendaciones difieren unas de otras
significativamente, tanto en la información requerida como en los procesos necesarios para llevar
a cabo estas recomendaciones. La presente investigación tiene como objetivo realizar un estudio
sobre el estado del arte actual de los Sistemas de Recomendación.
DESARROLLO
Aunque esencialmente todos los SR tienen el mismo objetivo, guiar al usuario mediante
recomendaciones a aquellos objetos que más le pueden interesar la técnica de recomendación varía
según los procesos. Basado en estos procesos, se puede clasificar los RS en los siguientes grupos:
Basados en contenido (Chen et al., 2016; Gao et al., 2016; Gatchalee et al., 2013; Hu & Pu, 2010;
Miao, 2014; Palopoli et al., 2013; Pazzani et al., 1996; Penny et al., 2017): también conocido como

Bárbara Bron Fonseca, Omar Mar Cornelio
152
UNESUM-Ciencias. Publicación cuatrimestral. Vol. 2, Año 2021, No. 2 (Mayo-Agosto)
filtrado cognitivo. En este grupo la recomendación de un objeto se basa en la similitud con otros
objetos que el usuario ha adquirido anteriormente.
Filtrado colaborativo (Aditya et al., 2016; Castagnos et al., 2010; Chen & Pu, 2005; Gaikwad et
al., 2018; Goldberg et al., 1992; Hwangbo et al., 2018; Jiang et al., 2019; Pu et al., 2008): también
conocido como filtrado social. Construyen la recomendación como una agregación
estadística/probabilística de las preferencias de otros usuarios.
Basado en inspección (survey-based recommender systems) (Cho & Ryu, 2008; Fan et al.,
2008; Finder; Souali et al., 2011): son aquellos que solicitan explícitamente información antes de
proporcionar cualquier recomendación. Son sistemas que piden que los usuarios envíen
explícitamente la información y/o preferencias personales antes de proporcionar cualquier
recomendación. El sistema recomendador demográfico es el más conocido de este tipo, en este tipo
de sistema se utiliza el conocimiento demográfico que se tiene de los usuarios y sus opiniones sobre
los productos recomendados como base para las recomendaciones.
Sistemas de filtrado económico: filtran la información teniendo en cuenta factores de costo, como
pueden ser el costo de productos adquiridos, el tamaño de productos visitados u otros rasgos
evidenciados en las visitas realizadas previamente por los usuarios.
Sistemas de filtrado basado en reglas: Este enfoque filtra datos e información según un conjunto
de reglas que expresa la política de filtrado de la información. Estas reglas pueden ser parte del
contenido del perfil del usuario. Este tipo de sistema presenta dos métodos alternativos de filtrado
basados en las reglas: reglas basadas en estereotipo y reglas personales.
Sistemas basados en Actividades (Itmazi, 2005): Se basan fuertemente en las entradas que
ofrecen los usuarios, ya sea a través de la navegación o las actividades que realizan en el sistema.
Los usuarios dejan huellas mientras que navegan por la Web, esto es, las actividades que ellos
realizaron durante su navegación, contienen mucha información oculta acerca de la relación entre
los recursos Web y los usuarios. Si tales historiales de navegación de los usuarios son registrados,
podemos descubrir conocimiento escondido sobre recursos interesantes y usuarios sin peticiones
explícitas a ellos.
Sistemas de recomendación basados en conocimiento (Burke, 2000, 2002; Huseynov et al.,
2016; Ku et al., 2014; Luo, 2012; Martín-Vicente et al., 2009; Xiaosen, 2015; Ya, 2010): realizan
recomendaciones partiendo del conocimiento que da el usuario sobre sus necesidades, y del
conocimiento de los objetos a recomendar, buscando los que mejor se adapten a las necesidades de
los usuarios, apoyados fundamentalmente en el razonamiento basado en casos.
Sistemas de recomendación híbridos (Aprilianti et al., 2016; Basu et al., 1998; Dong et al., 2013;
Lu et al., 2015; Qiu et al., 2010; Saini et al., 2017; Xue et al., 2015): Los sistemas híbridos
combinan dos o más técnicas de recomendación para incrementar el rendimiento general del
sistema resultante, atenuando las deficiencias de cada una de las técnicas utilizadas por separado.
En la actualidad existen situaciones en las que los modelos anteriores no son aplicables por
problemas de datos o de tiempo. Para este tipo de situaciones se han presentado varias alternativas,
como pueden ser los Sistemas de Recomendación híbridos o los basados en conocimiento. Estos
últimos utilizan el conocimiento que proporciona el usuario sobre sus necesidades y el
conocimiento que tiene el sistema sobre los objetos para desde un enfoque basado en conocimiento,

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166
Publicación cuatrimestral. Vol. 6, No. 1 (Enero-Abril), Año 2022. Pág. 149-164
SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. ESTADO DEL ARTE
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
realizar recomendaciones de los objetos que mejor cubren las necesidades de los usuarios. Los
tipos de SR serán descritos en detalles a continuación.
Figura 2. Tipos de Sistemas de recomendación.
Sistema de recomendación basado en conocimiento
Los sistemas de recomendación basados en conocimiento realizan sugerencias haciendo
inferencias sobre las necesidades del usuario y sus preferencias (Freire et al., 2016; Jannach &
Friedrich, 2013). El enfoque basado en conocimiento se distingue por la utilización de
conocimiento sobre cómo un objeto en particular puede satisfacer las necesidades del usuario, y
por lo tanto tiene la capacidad de razonar sobre la relación entre una necesidad y la posible
recomendación que se mostrará (Barranco et al., 2006; Maridueña-Arroyave & Febles-Estrada,
2016; Padilla et al., 2018). Se basan en la construcción de perfiles de usuarios como una estructura
de conocimiento que apoye la inferencia la cual puede ser enriquecida con la utilización de
expresiones que emplea lenguaje natural (Herrera, 2000).

Bárbara Bron Fonseca, Omar Mar Cornelio
154
UNESUM-Ciencias. Publicación cuatrimestral. Vol. 2, Año 2021, No. 2 (Mayo-Agosto)
Figura 3. Sistema de recomendación basado en conocimiento.
Existen múltiples técnicas para explotar el conocimiento que el usuario aporta sobre sus
necesidades y sobre los objetos que se pueden recomendar. Una de las técnicas de recomendación
utilizada en estos sistemas es la técnica de razonamiento basado en casos (Hammond, 2012). El
razonamiento basado en casos recupera casos pasados similares ya resueltos y los reutiliza para la
solución del problema actual. En los SR puede traducirse como la búsqueda de objetos similares a
los que resultaron más satisfactorios al usuario en el pasado (Lorenzi & Ricci, 2005).
En estos sistemas los usuarios dan un ejemplo del tipo de objetos que están buscando, y el sistema
buscará y recomendará objetos similares al ejemplo dado. Estos sistemas deben permitir que los
usuarios refinen sus búsquedas declarando o modificando algunas de los atributos del ejemplo
dado. Existen dos técnicas fundamentales de recomendación basada en el conocimiento que son
Basado en restricciones (Constraint-based) y Basado en casos (Case-based).
En el caso de la búsqueda de similitudes, el usuario debe seleccionar un elemento determinado del
catálogo (llamado ejemplo inicial) y se deben mostrar como respuesta otros elementos similares
(Mar Cornelio et al., 2020). Para realizar esta recomendación, se recupera inicialmente un gran
conjunto de entidades candidatas de la base de datos. Este conjunto se ordena según la similaridad
con la fuente y los candidatos principales son devueltos al usuario (Burke, 2000). Para este enfoque
se utiliza la implicación lógica del tipo:
“Si el usuario requiere X, el ítem a recomendar debe tener la característica X’ ”.
Sistemas de recomendación basado en contenido
Tienen como base de la predicción el objeto y sus características. Para un usuario concreto se
analizan sus gustos o interés mostrando objetos de características similares. De esta manera, las
predicciones son del tipo: “Te han gustado estos L productos, por lo que te puede gustar éste
producto X que se parece mucho.”. La figura 2, muestra un esquema de su aplicación.

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166
Publicación cuatrimestral. Vol. 6, No. 1 (Enero-Abril), Año 2022. Pág. 149-164
SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. ESTADO DEL ARTE
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
Figura 4. Sistema de recomendación basado en contenido.
Sistemas de recomendación Filtrado colaborativo
Basan su funcionamiento en la información que se tiene acerca de los usuarios. El sistema analiza
las compras, gustos o calificaciones de todos los usuarios y los agrupa, empleando dicha
información en conjuntos de usuarios similares o con las mismas preferencias. Para un usuario
dado, se recomiendan productos que han gustado a usuarios similares pero que éste aún no ha
consumido.
Figura 5. Sistema de recomendación filtrado colaborativo.
Minería de datos en los sistemas de recomendación

Bárbara Bron Fonseca, Omar Mar Cornelio
156
UNESUM-Ciencias. Publicación cuatrimestral. Vol. 2, Año 2021, No. 2 (Mayo-Agosto)
La Minería de Datos (Data Mining, DM) forma parte del proceso de Descubrimiento de
conocimiento en bases de datos (Knowledge Discovery in Databases, KDD) con la cual se realiza
una búsqueda sobre grandes juegos de datos, los cuales mayoritariamente están almacenados en
bases de datos relacionales o no. Esta búsqueda se lleva a cabo utilizando métodos matemáticos,
estadísticos o algorítmicos para extraer información y/o patrones. El objetivo principal de la DM
es crear un proceso automatizado que toma como punto de partida los datos y cuya meta es la ayuda
a la toma de decisiones.
En función del problema que se pretenda resolver, la extracción de patrones se puede abordar desde
dos perspectivas distintas: desde el punto de vista predictivo, en el que se intenta pronosticar el
comportamiento del modelo según los datos disponibles, o desde el punto de vista descriptivo,
donde se intenta descubrir patrones que describan los datos (Fonseca et al., 2020).
En esta investigación se tomará como referente los procesos orientados al problema de la
sumarización, donde se realiza el proceso de análisis de datos desde diferentes perspectivas para
encontrar patrones ocultos que los describan y resumirlos para obtener información útil.
La DM surge como una tecnología capaz de resolver los conflictos surgidos con el crecimiento
exponencial de los datos almacenados, dentro de los problemas de mayor incidencia se destaca
(Vázquez Y. et al., 2018):
 Escalabilidad: los algoritmos de minería de datos deben de ser escalables para manejar
conjuntos de datos con tamaños de gigabytes, terabytes o incluso petabytes. En este sentido,
muchos algoritmos de minería de datos utilizan estrategias de búsqueda especiales para
manejar problemas de búsqueda exponenciales.
 Alta dimensionalidad: en los procesos actuales se almacenan conjuntos de datos con
cientos o incluso miles de atributos. Los conjuntos de datos que tienen componentes
espaciales o temporales también tienden a presentar una alta dimensionalidad. Las técnicas
tradicionales de análisis de datos no siempre trabajan correctamente con datos con alta
dimensionalidad. Además, en algunos algoritmos de análisis de datos, la complejidad
computacional crece rápidamente a medida que aumenta la dimensionalidad.
 Datos complejos y heterogéneos: en los últimos años han surgido tipos de datos cada vez
más complejos. Las técnicas de minería de datos desarrolladas para abordar tales tipos
complejos de datos deben tener en cuenta las relaciones existentes en los datos.
 Distribución y propiedad de los datos: en algunas ocasiones, los datos que necesitan ser
analizados no se encuentran almacenados en una única localización o no pertenecen a una
única organización, sino que están geográficamente distribuidos entre los recursos de
diferentes entidades. Esto hace que sea necesario el desarrollo de técnicas de minería de
datos distribuidas que incluyan la reducción de la cantidad de comunicación y el tratamiento
de la seguridad de los datos.
Un concepto que se puede aplicar al campo de la minería de datos, es el de soft computing que
agrupa a un conjunto de técnicas, como la Lógica Difusa o la Sumarización lingüística, cuya

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166
Publicación cuatrimestral. Vol. 6, No. 1 (Enero-Abril), Año 2022. Pág. 149-164
SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. ESTADO DEL ARTE
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
característica principal es la tolerancia a imprecisión e incertidumbre, lo que ayuda a expresar el
conocimiento extraído de forma fácilmente interpretable por el experto (Batyrshin & Sheremetov,
2006). Con el objetivo de elevar el grado de utilidad de los resúmenes, muchos sistemas de
recomendación asumen como imprescindible el uso de la soft computing, ya que es utilizado para
construir las explicaciones de las recomendaciones.
Sumarización Lingüística de Datos para agregar explicaciones a las recomendaciones
La extracción de información de un conjunto de datos sin procesar suele ser muy engorroso para
aquellas personas que tienen la responsabilidad de tomar decisiones basadas en ese conocimiento.
Los expertos en el área de toma de decisiones insisten en la necesidad de integrar técnicas de
sintetización del conocimiento almacenado, de manera más interpretable, ya que no siempre la
información almacenada atendiendo a criterios numéricos ayuda a facilitar la interpretación de los
resultados (Fonseca et al., 2019).
Una manera muy utilizada para resolver los problemas de análisis e interpretación de la
información es implementando funciones de descubrimiento de conocimiento a través de la
Sumarización Lingüística de Datos (SLD), ya que favorece la presentación de información al
usuario, y que por tanto facilita el manejo y la interpretabilidad de dicha información por parte de
este (Bello & Verdegay, 2010). La acción de resumir consiste en reducir una cierta cantidad de
información a términos breves y precisos. No sólo es posible realizar resumen lingüístico de
información representada textualmente, sino que también puede hacerse de información con otras
representaciones como las numéricas (Smits et al., 2017).
La SLD es una de las poderosas técnicas de descubrimiento de conocimiento descriptivo de un
gran conjunto de datos, capaz de extraer conocimiento potencial, útil y abstracto de datos tanto
numéricos como categóricos (Boran et al., 2016). El resumen lingüístico de un conjunto de datos
es un proceso cuya complejidad depende linealmente del tamaño del conjunto de datos y
exponencialmente del tamaño del vocabulario difuso (Smits et al., 2019).
Interpretabilidad de las recomendaciones
Uno de los elementos de importancia en la minería de datos, además de la precisión predictiva y el
interés, es la comprensibilidad de los resultados del proceso para el usuario. En este aspecto, la
introducción de métodos para modelar la incertidumbre e imprecisión de una forma sencilla y
directamente interpretable por el usuario.
La interpretabilidad de los datos es una propiedad particularmente importante en áreas y/o procesos
donde los humanos deben toman decisiones apoyados en sistemas computacionales donde el
conocimiento previo es utilizado en procesos de análisis de datos y la modificación de este
conocimiento por los mecanismos de aprendizaje debe ser chequeado y finalmente en casos donde
las soluciones deben ser explicadas o justificadas a personas no experta (Cornelio et al.).
La capacidad de predicción de un algoritmo de extracción de conocimiento debe estar equilibrada
con la interpretabilidad de los resultados que son arrojados para el usuario. Si se ajusta
arbitrariamente el sistema, para garantizar capacidad de predicción, se puede perder

Bárbara Bron Fonseca, Omar Mar Cornelio
158
UNESUM-Ciencias. Publicación cuatrimestral. Vol. 2, Año 2021, No. 2 (Mayo-Agosto)
significativamente en interpretabilidad. En este escenario la softcomputing se muestra como la
estrategia adecuada para crear sistemas que garanticen la claridad e interpretación de los resultados.
A pesar de la popularidad y el constante crecimiento de los Sistemas de Recomendación, aún existe
desconfianza en los usuarios, los cuales no se sienten seguros de usar y confiar en las
recomendaciones recibidas. Su aceptación en diversos dominios no ha sido muy amplia, dado que
los usuarios al desconocen su funcionamiento y limitan su utilización en la toma de decisiones en
procesos reales.
La revisión de trabajos recientes reportan un gran número de investigaciones destinadas a disminuir
dichas limitaciones. Las respuestas académicas se enfocan en mostrar razones por las que se
obtienen las recomendaciones y fundamentar las mismas. Una forma de incrementar la aceptación
de dichos sistemas, ha sido dotándolos de mecanismos de explicación de las sugerencias ofrecidas.
En esta investigación las explicaciones se realizan a partir de los resúmenes lingüísticos.
La explicación en los SR cuenta con múltiples objetivos, desde lograr inspirar confianza al usuario
hasta ayudarlo a tomar una adecuada decisión. Todo depende de lo que se persiga. En (Alshammari
et al., 2019; Gkika & Lekakos, 2014; Narayanan & McGuinness, 2008; Tintarev & Masthoff, 2007;
Yang et al., 2018) se encuentran estudios acerca de los objetivos potenciales de la explicación en
las recomendaciones emitidas por los SR, dentro de las cuales se destacan:
 Transparencia: explicar cómo funciona el SR.
 Escrutabilidad: permitir al usuario decir si el SR funciona bien o mal.
 Confianza: incrementar la confianza de los usuarios en el SR.
 Eficacia: ayudar a los usuarios a tomar buenas decisiones.
 Persuasión: convencer a los usuarios para que prueben o compren las recomendaciones.
 Eficiencia: ayudar a los usuarios a tomar decisiones rápidas.
 Satisfacción: incrementar la facilidad de uso o disfrute del SR.
Métricas de evaluación de las recomendaciones
La elección de una métrica específica para evaluar el rendimiento de las recomendaciones depende
de los objetivos que el sistema debe cumplir. Teniendo siempre como premisa que la evaluación
final de cualquier sistema de recomendación está dada por el juicio de sus usuarios.
En la bibliografía científica se reconocen varias métricas para evaluar las recomendaciones
emitidas por un SR. En (Lü et al., 2012) se realiza un resumen de las más utilizadas tal como se
muestra en la tabla 1. Tabla 1. Resumen de las métricas de recomendación.
Nombre
Símbolo
Pf.
Ámbito
Cf.
L
Mean Absolute Error
MAE
P
Precisión de la calificación
No
No
Root Mean Squared Error
RMSE
P
Precisión de la calificación
No
No
Precision
()
G
Precisión de la clasificación
No
Sí
Recall
()
G
Precisión de la clasificación
No
Sí
F1-score
1()
G
Precisión de la clasificación
No
Sí
Spearman

G
Correlación de la calificación
Sí
No

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166
Publicación cuatrimestral. Vol. 6, No. 1 (Enero-Abril), Año 2022. Pág. 149-164
SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. ESTADO DEL ARTE
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
Kendall

G
Correlación de la calificación
Sí
No
Pearson
PCC
G
Correlación de la calificación
No
No
Discounted Cumulative Gain
(,)
G
Satisfacción y precisión
Sí
Sí
Rank-biased Precision
(,)
G
Satisfacción y precisión
Sí
Sí
Half-life utility
()
G
Satisfacción
Sí
Sí
Popularidad
()
P
Novedad
No
Sí
Información propia
()
G
Inesperado
No
Sí
Intra-similarity
()
P
Intra-diversidad
No
Sí
Hamming distance
()
G
Inter-diversidad
No
Sí
Cobertura
()
G
Cobertura y diversidad
No
Sí
Donde:
Pf: indica si es preferible obtener un valor pequeño (P) o grande (G) en la métrica.
Ámbito: especifica qué es lo que mide la métrica.
Cf: indica si la evaluación de la métrica depende de la clasificación, es decir, del orden de
preferencia que el sistema ha predicho sobre los objetos para el usuario.
L: especifica si la métrica es dependiente del tamaño de la lista de recomendaciones.
A continuación se describen las métricas más utilizadas para evaluar la calidad de las
recomendaciones emitidas. Las métricas son presentadas según su ámbito:
Precisión de la calificación
Para medir la proximidad de las predicciones a las calificaciones reales se propone el uso de las
métricas Mean Absolute Error (MAE) y Root Mean Squared Error (RMSE) las cuales se definen
según las ecuaciones 1 y 2 respectivamente. En estas métricas mientras menores resulten los
valores, mayor será la precisión de las predicciones.
 

󰇛󰇜
(1)

󰇛󰇜
󰇛󰇜
(2)
Donde:
: es el valor de la calificación real del usuario  sobre el ítem ,
 : es el valor predicho por el sistema para esa calificación,
 : subconjunto que se comparará con las correspondientes predicciones para evaluar la eficacia
de las recomendaciones.

Bárbara Bron Fonseca, Omar Mar Cornelio
160
UNESUM-Ciencias. Publicación cuatrimestral. Vol. 2, Año 2021, No. 2 (Mayo-Agosto)
Para identificar las recomendaciones más relevantes para el usuario final del SR, asumiendo que le
interesan los indicadores en los  primeros puestos, se considera adecuado utilizar las métricas
Precision (P) y Recall (R). Para un usuario , se definen las siguientes ecuaciones.
󰇛󰇜󰇛󰇜

(3)
󰇛󰇜󰇛󰇜

(4)
Donde:
󰇛󰇜: indica el número de indicadores relevantes entre los  primeros de la lista de recomendación,
: es el número total de indicadores relevantes para el usuario .
De esta manera, si se promedian todos los valores de Precision y Recall para todos los usuarios, se
obtienen los valores medios 󰇛󰇜 y 󰇛󰇜.
Métrica de Satisfacción
Con el objetivo de evaluar la utilidad de una lista de recomendación para un usuario, se utiliza la
métrica Half-life Utility (HL(L)), la cual se basa en la suposición de que la probabilidad de que un
usuario examine un indicador recomendado decrece exponencialmente con la clasificación de los
indicadores. La utilidad esperada para las recomendaciones dadas a un usuario  se define según la
ecuación (5).
󰇛󰇜
󰇛󰇜


(5)
Donde:
: representa la posición en la clasificación predicha para el indicador  en la lista de
recomendación del usuario ,
: es la calificación por defecto (por ejemplo se puede situar en la calificación media de entre las
posibles),
h: es la posición del indicador de la lista con un 50% de probabilidades de que el usuario finalmente
lo examine.
En esta métrica los objetos se ordenan por su predicción  en orden descendente. Cuando  se
promedia para todos los usuarios, se obtiene una utilidad para todo el sistema.
CONCLUSIONES
Aunque los Sistemas de Recomendación más utilizados y más conocidos son los colaborativos y
los basados en contenido, no en todas las situaciones son los más adecuados. Por ejemplo, los
Sistemas de Recomendación colaborativos necesitan partir de una base de datos de valoraciones
de los usuarios sobre los objetos almacenados para poder realizar recomendaciones precisas y
acertadas a cualquiera de estos usuarios. Los basados en contenido buscan nuevos objetos a
recomendar basándose en los valorados por el usuario en el pasado. Por tanto, estos sistemas

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166
Publicación cuatrimestral. Vol. 6, No. 1 (Enero-Abril), Año 2022. Pág. 149-164
SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. ESTADO DEL ARTE
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
requieren que el usuario haya valorado un mínimo número de objetos para realizar las
recomendaciones adecuadas a su proceso de búsqueda de nuevos objetos. Siendo el arranque en
frío una de sus principales desventajas.
El estudio sobre las diferentes técnicas y herramientas para la construcción de SR permitió
identificar el resumen lingüístico como una solución viable para agregar explicaciones a las
recomendaciones a partir de la Sumarización Lingüística de Datos.
REFERENCIAS BIBLIOGRÁFICAS
Aditya, P., Budi, I., & Munajat, Q. (2016). A comparative analysis of memory-based and model-based
collaborative filtering on the implementation of recommender system for E-commerce in Indonesia:
A case study PT X. 2016 International Conference on Advanced Computer Science and Information
Systems (ICACSIS),
Alshammari, M., Nasraoui, O., & Sanders, S. (2019). Mining Semantic Knowledge Graphs to Add
Explainability to Black Box Recommender Systems. IEEE Access, 7, 110563-110579.
https://doi.org/10.1109/ACCESS.2019.2934633
Aprilianti, M., Mahendra, R., & Budi, I. (2016). Implementation of weighted parallel hybrid recommender
systems for e-commerce in indonesia. 2016 International Conference on Advanced Computer
Science and Information Systems (ICACSIS),
Barranco, M., Pérez, L., & Martínez, L. (2006). Un sistema de recomendación basado en conocimiento con
información lingüística multigranular. In Proceedings of the SIGEF XIII: Optimization techniques:
Fuzziness and nonlinearity for management and economy.
Basu, C., Hirsh, H., & Cohen, W. (1998). Recommendation as classification: Using social and content-
based information in recommendation. Aaai/iaai,
Batyrshin, I. Z., & Sheremetov, L. B. (2006, 3-6 June 2006). Perception Based Associations in Time Series
Data Bases. NAFIPS 2006 - 2006 Annual Meeting of the North American Fuzzy Information
Processing Society,
Bello, R., & Verdegay, J. L. (2010). Los conjuntos aproximados en el contexto de la Soft Computing.
Revista Cubana de Ciencias Informáticas, 4 pp. 5-24. .
Boran, F. E., Akay, D., & Yager, R. R. (2016). An overview of methods for linguistic summarization with
fuzzy sets. Expert Systems with Applications, 61, 356-377.
Burke, R. (2000). Knowledge-based recommender systems. Encyclopedia of library and information
systems, 69(Supplement 32), 175-186.
Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User Modeling and User-
Adapted Interaction, 12(4), 331-370.
Castagnos, S., Jones, N., & Pu, P. (2010). Eye-tracking product recommenders' usage. Proceedings of the
fourth ACM conference on Recommender systems,
Cornelio, O. M., Gulín, J. G., Fonseca, B. B., & Ching, I. S. Experiencia en la evaluación de competencias
en un sistema de laboratorios a distancia. Anais do Encontro Virtual de Documentação em Software
Livre e Congresso Internacional de Linguagem e Tecnologia Online,
Chen, C., Wang, D., & Ding, Y. (2016). User actions and timestamp based personalized recommendation
for e-commerce system. 2016 IEEE International Conference on Computer and Information
Technology (CIT),

Bárbara Bron Fonseca, Omar Mar Cornelio
162
UNESUM-Ciencias. Publicación cuatrimestral. Vol. 2, Año 2021, No. 2 (Mayo-Agosto)
Chen, L., & Pu, P. (2005). Trust building in recommender agents. Proceedings of the Workshop on Web
Personalization, Recommender Systems and Intelligent User Interfaces at the 2nd International
Conference on E-Business and Telecommunication Networks,
Cho, Y. S., & Ryu, K. H. (2008). Implementation of personalized recommendation system using demograpic
data and RFM method in e-commerce. 2008 4th IEEE International Conference on Management of
Innovation and Technology,
Dong, F., Luo, J., Zhu, X., Wang, Y., & Shen, J. (2013). A personalized hybrid recommendation system
oriented to e-commerce mass data in the cloud. 2013 IEEE International Conference on Systems,
Man, and Cybernetics,
Fan, Y., Shen, Y., & Mai, J. (2008). Study of the model of e-commerce personalized recommendation
system based on data mining. 2008 International Symposium on Electronic Commerce and Security,
Finder, L. Intelligent user profiling using large-scale demographic data. Artificial Intelligence Magazine.
v18 i2, 37-45.
Fonseca, B. B., Benítez, L. C. M., & Oliva, Á. M. H. (2019). La estructura de desglose del trabajo como
mecanismo viable para la generación de proyectos exitosos. Serie Científica de la Universidad de
las Ciencias Informáticas, 12(5), 63-75.
Fonseca, B. B., Cornelio, O. M., & Marzo, F. R. R. (2020). Tratamiento de la incertidumbre en la evaluación
del desempeño de los Recursos Humanos de un proyecto basado en conjuntos borrosos. Serie
Científica de la Universidad de las Ciencias Informáticas, 13(6), 84-93.
Freire, J. B., Villagomez, M. M., Delgado, M. A. S., & Gónzalez, M. P. (2016). Modelo de recomendación
de productos basado en computación con palabras y operadores OWA [A product recommendation
model based on computing with word and OWA operators]. International Journal of Innovation
and Applied Studies, 16(1), 78.
Gaikwad, R. S., Udmale, S. S., & Sambhe, V. K. (2018). E-commerce recommendation system using
improved probabilistic model. In Information and Communication Technology for Sustainable
Development (pp. 277-284). Springer.
Gao, Z., Li, Z., & Niu, K. (2016). Solutions for problems of existing E-commerce recommendation system.
2016 IEEE International Conference on Consumer Electronics-Taiwan (ICCE-TW),
García, F. J., & Gil, A. B. Personalización de Sistemas de Recomendación. Universidad de Salamanca.
Gatchalee, P., Li, Z., & Supnithi, T. (2013). Ontology development for SMEs E-commerce website based
on content analysis and its recommendation system. 2013 International Computer Science and
Engineering Conference (ICSEC),
Gkika, S., & Lekakos, G. (2014, 6-7 Nov. 2014). Investigating the Effectiveness of Persuasion Strategies
on Recommender Systems. 2014 9th International Workshop on Semantic and Social Media
Adaptation and Personalization,
Goldberg, D., Nichols, D., Oki, B. M., & Terry, D. (1992). Using collaborative filtering to weave an
information tapestry. Communications of the ACM, 35(12), 61-70.
Hammond, K. J. (2012). Case-based planning: Viewing planning as a memory task. Elsevier.
Herrera, F. (2000). A 2-tuple fuzzy linguistic representation model for computing with words. 8(6), 746–
752. https://doi.org/10.1109/91.890332
Hu, R., & Pu, P. (2010). A study on user perception of personality-based recommender systems.
International Conference on User Modeling, Adaptation, and Personalization,
Huseynov, F., Huseynov, S. Y., & Özkan, S. (2016). The influence of knowledge-based e-commerce
product recommender agents on online consumer decision-making. Information Development,
32(1), 81-90.
Hwangbo, H., Kim, Y. S., & Cha, K. J. (2018). Recommendation system development for fashion retail e-
commerce. Electronic Commerce Research and Applications, 28, 94-101.

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166
Publicación cuatrimestral. Vol. 6, No. 1 (Enero-Abril), Año 2022. Pág. 149-164
SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. ESTADO DEL ARTE
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
Itmazi, J. (2005). Sistema flexible de Gestión del eLearning para soportar el aprendizaje en las
Universidades tradicionales y abiertas.
Jannach, D., & Friedrich, G. (2013). Tutorial: recommender systems. International Joint Conference on
Artificial Intelligence Beijing,
Jiang, L., Cheng, Y., Yang, L., Li, J., Yan, H., & Wang, X. (2019). A trust-based collaborative filtering
algorithm for E-commerce recommendation system. Journal of Ambient Intelligence and
Humanized Computing, 10(8), 3023-3034.
Ku, Y.-C., Peng, C.-H., & Yang, Y.-C. (2014). Consumer preferences for the interface of e-commerce
product recommendation system. International Conference on HCI in Business,
Lorenzi, F., & Ricci, F. (2005). Case-based recommender systems. In Encyclopedia of Data Warehousing
and Mining (pp. 124-128). IGI Global.
Lu, J., Wu, D., Mao, M., Wang, W., & Zhang, G. (2015). Recommender system application developments:
a survey. Decision Support Systems, 74, 12-32.
Lü, L., Medo, M., Yeung, C. H., Zhang, Y.-C., Zhang, Z.-K., & Zhou, T. (2012). Recommender systems.
Physics reports, 519(1), 1-49.
Lugo , J. A. (2012). Modelo para el control de la ejecución de proyectos basado en indicadores y lógica
borrosa.
Luo, Y. (2012). An analysis of Web mining-based recommender systems for e-commerce. Proceedings of
the 2012 International Conference on Computer Application and System Modeling,
Mar Cornelio, O., Bron Fonseca, B., & Gulín González, J. (2020). Sistema de Laboratorios Remoto para el
estudio de la Microbiología y Parasitología Médica. Revista Cubana de Informática Médica, 12(2).
Maridueña-Arroyave, M. R., & Febles-Estrada, A. (2016). A college degree recommendation model. DYNA,
83, 29-34. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0012-
73532016000500003&nrm=iso
Martín-Vicente, M. I., Gil-Solla, A., Ramos-Cabrer, M., Blanco-Fernández, Y., & López-Nores, M. (2009).
Avoiding fake neighborhoods in e-commerce collaborative recommender systems: A semantic
approach. 2009 Fourth International Workshop on Semantic Media Adaptation and Personalization,
Miao, J. F. (2014). Design and implementation of personalization recommendation system in mobile e-
commerce. Advanced Materials Research,
Narayanan, T., & McGuinness, D. L. (2008, 10-15 Feb. 2008). Towards Leveraging Inference Web to
Support Intuitive Explanations in Recommender Systems for Automated Career Counseling. First
International Conference on Advances in Computer-Human Interaction,
Padilla, R. C., Ruiz, J. G., Alava, M. V., & Vázquez, M. L. (2018). Modelo de recomendación basado en
conocimiento empleando números SVN. Infinite Study.
Palopoli, L., Rosaci, D., & Sarnè, G. M. (2013). Introducing specialization in e-commerce recommender
systems. Concurrent Engineering, 21(3), 187-196.
Pathak, B., Garfinkel, R., Gopal, R., Venkatesan, R., & Yin, F. (2010). Empirical Analysis of the Impact of
Recommender Systems on Sales. Management Information Systems, 27, 159-188.
Pazzani, M. J., Muramatsu, J., & Billsus, D. (1996). Syskill & Webert: Identifying interesting web sites.
AAAI/IAAI, Vol. 1,
Penny, S. G., Akella, S., Buehner, M., Chevallier, M., Counillon, F., Draper, C., Frolov, S., Fujii, Y.,
Karspeck, A., & Kumar, A. (2017). Coupled Data Assimilation for Integrated Earth System
Analysis and Prediction: Goals, Challenges, and Recommendations. (201801), 45.
Pu, P., Chen, L., & Kumar, P. (2008). Evaluating product search and recommender systems for E-commerce
environments. Electronic Commerce Research, 8(1-2), 1-27.

Bárbara Bron Fonseca, Omar Mar Cornelio
164
UNESUM-Ciencias. Publicación cuatrimestral. Vol. 2, Año 2021, No. 2 (Mayo-Agosto)
Qiu, Z., Chen, M., & Huang, J. (2010). Design of multi-mode e-commerce recommendation system. 2010
Third International Symposium on Intelligent Information Technology and Security Informatics,
Ramírez, C. (2018). Algoritmo SVD aplicado a los sistemas de recomendación en el comercio. Tecnología,
Investigación y Academia (TIA), 6 (1), 18-27.
Resnick, P., & Varian, H. R. (1997). Recommender systems. Communications of the ACM, 4(3), 56 - 59.
https://doi.org/ACM 0002-0782/97/0300
Saini, S., Saumya, S., & Singh, J. P. (2017). Sequential purchase recommendation system for e-commerce
sites. IFIP International Conference on Computer Information Systems and Industrial Management,
Smits, G., Nerzic, P., Lesot, M., & Pivert, O. (2019, 23-26 June 2019). FRELS: Fast and Reliable Estimated
Linguistic Summaries. 2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE),
Smits, G., Yager, R. R., & Pivert, O. (2017, 9-12 July 2017). Interactive data exploration on top of linguistic
summaries. 2017 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE),
Souali, K., El Afia, A., & Faizi, R. (2011). An automatic ethical-based recommender system for e-
commerce. 2011 International Conference on Multimedia Computing and Systems,
Tintarev, N., & Masthoff, J. (2007). A survey of explanations in recommender systems. 2007 IEEE 23rd
international conference on data engineering workshop,
Vázquez Y., Machín A., Velasteguí E., & V., P. (2018). Genetic algorithm for the generation of prediction
rules in moodle courses. Revista electrónica Ciencia Digital, 2(1), 7-17.
https://doi.org/https://doi.org/10.33262/cienciadigital.v2i1.
Xiaosen, W. (2015). The design and realization of personalized e-commerce recommendation system. 2015
International Conference on Social Science and Technology Education,
Xue, W., Xiao, B., & Mu, L. (2015). Intelligent mining on purchase information and recommendation
system for e-commerce. 2015 IEEE international conference on industrial engineering and
engineering management (IEEM),
Ya, L. (2010). E-commerce personalized recommendation technology based on expert system. 6th
International Conference on Digital Content, Multimedia Technology and its Applications,
Yang, F., Liu, N., Wang, S., & Hu, X. (2018, 17-20 Nov. 2018). Towards Interpretation of Recommender
Systems with Sorted Explanation Paths. 2018 IEEE International Conference on Data Mining
(ICDM),
Zhang, L., Luo, T., Zhanga, F., & Wu, Y. (2018). A Recommendation Model Based on Deep Neural
Network. IEEE Access(99), 1-10. https://doi.org/10.1109/ACCESS.2018.2789866