Cuando los sistemas de recomendación apenas comenzaban a implementarse discretamente en varios recursos, parecía una buena adición al proceso de autobúsqueda. Cuando la elección de productos o contenidos es lo suficientemente amplia, la búsqueda se convierte en un viaje apasionante con resultados a menudo impredecibles. Por ejemplo, nunca me interesaron las películas de terror, prefiero películas en una dirección ligeramente diferente, sin embargo, gracias a una búsqueda aleatoria en el contenido, un día me encontré con un clásico. Hellraiser, cuya visualización casual me dejó una impresión fuerte e imborrable. Estoy seguro de que cada uno de los lectores se ha enriquecido al menos una vez en un sentido cultural o estético precisamente gracias a una búsqueda aleatoria y a acciones al azar. Por otro lado, descubrí muchas cosas interesantes con la ayuda de las recomendaciones que me brindan los recursos temáticos. Muchas películas, libros, música o productos me resultaron conocidos (y interesantes) sólo gracias al buen funcionamiento del sistema de recomendación. Lo típico es que ahora casi siempre confío en las recomendaciones y busco algo por mi cuenta con mucha menos frecuencia, ¡porque simplemente no queda tiempo para esto último!

Esta situación se ve agravada por el hecho de que veo hasta qué punto los algoritmos de recomendación han empezado a comprenderme. Si antes los éxitos no eran tan frecuentes, hoy en día me interesan en mayor o menor medida al menos la mitad de las cosas recomendadas. Y cuando todavía intento, en lugar de aceptar con apatía lo que se me ofrece, encontrar algo que valga la pena por mí mismo, rápidamente cedo bajo la presión de una abundancia increíble y sin precedentes. Y cuanto más avanzas, más clara surge la imagen de un futuro no muy lejano, cuando la realidad circundante se adaptará continuamente a tu personalidad, transformándose y aprendiendo constantemente. Nunca antes en la historia de la humanidad el confort había sido tan amenazadoramente absoluto. Y nunca antes se habían retirado de uso tan rápida y categóricamente las lagunas jurídicas para increíbles hallazgos aleatorios.

Aceptando el futuro venidero tal como es, vale la pena aprender a evaluarlo críticamente, identificando dudosos o incluso lados oscuros con el mismo entusiasmo con el que nos esforzamos por utilizar en la vida cotidiana innovaciones que nos faciliten la vida. Intentemos comprender el tema de nuestra conversación de hoy.

Métodos de filtrado utilizados en sistemas de recomendación.

Filtración colaborativa

El filtrado colaborativo se utiliza ampliamente, sobre todo por la relativa facilidad de implementación. El principio de funcionamiento es realmente sencillo, aunque se puede dividir en dos enfoques diferentes.

Un enfoque basado en la coincidencia de usuarios (conocido popularmente como basado en usuarios) tiene en cuenta la similitud de un usuario determinado con otros usuarios involucrados en el sistema. Por ejemplo, si Vasily evaluó positivamente a Lady Gaga, Oasis y Led Zeppelin, entonces Anastasia, que ama a Lady Gaga y Led Zeppelin, puede intentar sugerir Oasis.

El concepto de comparación de objetos (basada en elementos, respectivamente), por el contrario, analiza los objetos mismos y revela su similitud con aquellos que alguna vez le gustaron a Vasily. En la práctica, se ve así: a Vasily alguna vez le gustaron Radiohead y Blur, ¿por qué no le ofrecemos Oasis también?

El filtrado colaborativo le permite obtener recomendaciones altamente precisas y relevantes basadas en el análisis y comparación de diferencias entre usuarios con comportamiento similar.

Vasily y Anastasia: recomendaciones automáticas mutuas basadas en diferencias de preferencias.

Filtrado de contenidos

El filtrado de contenido crea conexiones internas entre los productos propuestos o cualquier contenido. Este sencillo principio se manifiesta en recomendar al usuario objetos similares a los que ha seleccionado previamente. Por ejemplo, si compras un manual sobre cómo tocar la guitarra en una librería, automáticamente se te ofrecerán otros tutoriales o manuales populares del mismo autor. Una gran ventaja de los sistemas de recomendación que utilizan el principio de filtrado de contenidos es la posibilidad de interesar a un nuevo usuario en las ofertas literalmente desde sus primeros pasos como consumidor. No es necesario recopilar datos sobre las preferencias de una persona durante mucho tiempo; puede incluir inmediatamente al visitante en el trabajo con el recurso. Además, una ventaja importante del filtrado de contenido es la capacidad de recomendar al usuario aquellos objetos que no fueron calificados ni ignorados por otros usuarios. Este último punto suele ocurrir cuando se utiliza un método colaborativo.

El filtrado de contenidos ignora por completo las opiniones de los usuarios sobre determinados objetos. Al establecer conexiones puramente entre los propios objetos, tenemos la oportunidad de ofrecer instantáneamente, sin recopilar calificaciones ni información personal adicional, a una persona algo similar al puesto que le interesa. Al excluir la experiencia del usuario del sistema de recomendaciones como sustancia fundamental, parece que solucionamos el llamado problema. “arranque en frío”, cuando la escasez de datos del usuario impide que el sistema desarrolle recomendaciones personalizadas. Sin embargo, la desventaja del filtrado de contenido son recomendaciones completamente inapropiadas y, a veces, francamente ridículas como “¿Has comprado un Toyota RAV4? ¡Quizás también te interese el Toyota Highlander!

Otra dificultad asociada con el uso del principio de filtrado de contenidos es la impresionante cantidad de trabajo que implica establecer conexiones entre todos los objetos del sistema. Pero la mayoría principal inconveniente Este método se expresa en un golpe al objetivo muy bajo y, a veces, bastante condicional. El filtrado de contenidos no implica un alto grado de personalización, por lo que la precisión de las recomendaciones es relativamente baja.

Filtrado basado en conocimiento (Conocimiento– basado sistemas)

Los sistemas de este tipo son muy utilizados en las tiendas online. En esencia, las recomendaciones basadas en el conocimiento son similares al método anterior de filtrado de contenido, sin embargo, dichos algoritmos utilizan un análisis más profundo de los objetos, estableciendo conexiones entre ellos no según criterios banales de similitud, sino basándose en la interconexión de ciertos grupos de bienes. .

En la práctica, se ve así: al comprar, por ejemplo, un teléfono inteligente, el sitio le ofrece accesorios adecuados para usar con su nuevo dispositivo. Podrían ser estuches, auriculares, tarjetas de memoria y todo eso. Además, puede estimular al comprador ofreciéndole descuentos en accesorios, lo que puede resultar muy útil en relación con la compra de un nuevo dispositivo.

Las recomendaciones basadas en el conocimiento demuestran buenos resultados, aumentando la facturación de las grandes redes plataformas comerciales en decenas de por ciento. Además, a diferencia del filtrado de contenidos, este tipo de recomendación tiene alta precisión, ofreciendo al usuario algo que realmente podría resultarle útil.

Si está interesado en recomendaciones precisas, definitivamente debería considerar implementar un sistema basado en el conocimiento en su sitio web. Al igual que el filtrado de contenidos, un sistema de recomendación basado en el conocimiento estudia y analiza las relaciones entre objetos (productos), pero además tiene en cuenta una serie de opciones adicionales relacionadas con las propiedades individuales de un usuario en particular.

a) Deseos del usuario. Una situación familiar para todos: el sitio solicita al usuario que indique las características deseadas, después de lo cual ofrece productos que coinciden con la solicitud.

Yandex.Market y sus casillas de verificación son un ejemplo sorprendente y exitoso de un sistema de recomendación guiado por los requisitos del usuario.

b) Características demográficas. De hecho, las principales redes sociales como Facebook, LinkedIn, VKontakte y otras utilizan datos demográficos para hacer recomendaciones.

Por supuesto, para implementar un sistema de este tipo es necesario trabajar duro: tendrá que recopilar y procesar una gran cantidad de datos.

Filtración híbrida

La herramienta más poderosa y difícil de implementar. Al parecer, el futuro pasa por combinar varios mecanismos de recomendación en un único y potente algoritmo. Ese confort absoluto y realidad personalizada de la que hablábamos al principio del artículo se hará realidad precisamente con la ayuda de un híbrido de lo más métodos efectivos recomendaciones.

Un ejemplo de ello lo demuestra Netflix, cuyo complejo sistema de recomendación híbrido, que demuestra una precisión única, se mejora y moderniza constantemente. El desarrollo de un algoritmo tan potente se debe en gran medida a la generosa financiación de la investigación en este ámbito por parte de la propia Netflix, que en 2006 ofreció 1.000.000 de dólares para mejorar su sistema de recomendaciones en un 10%.

El equipo de desarrollo Pragmatic Chaos de BellKor logró mejorar el algoritmonetflixen un 10,09%.

Algunas palabras sobre pasos prácticos como conclusión.

La elección de un tipo específico de filtración o una combinación de varios métodos depende directamente de dos factores: la complejidad de su proyecto y el monto de su financiación. Por ejemplo, crear un algoritmo para un sistema de blogs temáticos que se cruzan entre sí es una tarea relativamente sencilla y moderadamente costosa. Proyectos más grandes y heterogéneos, como las tiendas online, requieren mayores costes, especialmente si el objetivo es aumentar la conversión en cantidades realmente significativas. Como regla general, en tales proyectos no es posible limitarse a un solo tipo de algoritmo de recomendación y es necesario utilizar filtrado híbrido, como resultado de lo cual el costo y la complejidad del desarrollo aumentan en órdenes de magnitud.

Para crear, implementar y depurar un algoritmo híbrido, necesitará todo un equipo de desarrolladores experimentados que conozcan bien qué es el álgebra lineal y relacional, y que también tengan una variedad de habilidades que hacen de los creadores de algoritmos de recomendación prácticamente una profesión separada.

De una forma u otra, al desarrollar un proyecto que ofrece al usuario la oportunidad de seleccionar objetos específicos de un conjunto general, es necesario tener en cuenta el rápido progreso de la usabilidad en absolutamente todas las esferas de la vida humana, desde optimizar el sueño con la ayuda de dispositivos que analizan todos los procesos que ocurren durante el sueño y emiten recomendaciones para su mejora, hasta la selección automática de bienes cotidianos en función de las necesidades actuales del usuario. Como sabéis, una condición indispensable para el éxito de cualquier empresa es su exacta correspondencia con el espíritu de los tiempos.

Empecemos por definir qué son los sistemas de recomendación. Estos son programas y servicios que intentan determinar qué quieren ver los usuarios y proporcionárselo (o recomendarlo, de ahí el nombre). Probablemente cada uno de nosotros haya encontrado técnicas similares en varios sitios. Hoy describiremos los tipos y principios operativos de dichos programas y también daremos ejemplos de estos algoritmos en acción. Lee hasta el final, ¡será interesante!

Arriba describimos qué son los sistemas de recomendación, ahora te contamos con más detalle su importancia. Estos programas han mejorado la forma en que interactúan el sitio y el visitante porque en lugar de proporcionar información estática, el usuario recibe una experiencia interactiva.

Las recomendaciones se generan por separado para cada persona, en función de sus acciones anteriores en un recurso web específico o en función de su actividad pasada. Además, también importa el comportamiento de los participantes anteriores en el proceso.

Para las tiendas online esta es, en principio, una función importante, y para grandes catálogos como Amazon, es una de las pocas formas de trabajar de forma eficiente. El método de recomendación en este caso no es una opción adicional habitual, sino que facilita la navegación del usuario a través del recurso web. Si el catálogo electrónico contiene más de 20.000 nombres de productos, la orientación ya parece prohibitivamente difícil, ¿qué podemos decir si hay millones de productos?

¿Qué tan agotador es para un comprador potencial interactuar con un sitio así? La respuesta es obvia. Y viene un widget para buscar productos visualmente similares al que buscas, o pertenecientes al mismo grupo de productos, o productos complementarios (cuando te ofrecen elegir un bolso para un par de zapatos, por ejemplo). al rescate. Esta solución no sólo aumenta el número de visitas, sino que también tiene un efecto positivo en la conversión.

Como muestra la práctica, no sólo las tiendas online utilizan esta técnica. Medios de comunicación social tampoco se quedan atrás. A continuación se muestra un ejemplo de VKontakte.

Además, técnicas similares se pueden ver fácilmente en varias plataformas sociales, portales dedicados a literatura, viajes, recursos de noticias, tiendas en línea, en una palabra, en casi todas partes. Esta técnica es realmente muy popular. El recurso web Kinopoisk es otro ejemplo accesible.

Técnicas

Entonces, el primer tipo es la recopilación de datos explícita. Como se puede adivinar por el nombre, el propio usuario proporciona los materiales necesarios para el trabajo. Por ejemplo, cuando los sistemas de recomendación de Yandex u otros motores de búsqueda le piden a una persona que califique diferentes elementos, haga una lista de favoritos en un área determinada o responda varias preguntas. Si una persona se niega a dar información por su cuenta, la siguiente técnica será relevante.

El segundo tipo es la recopilación de datos implícita. En términos relativos, se trata de una misión de espionaje, según la cual las acciones de un participante en el proceso son registradas por un programa para su posterior procesamiento y aplicación. ¿Qué necesitas para esto? El programa reconoce compras, calificaciones en sitios, recopila información sobre vistas y comentarios. Por supuesto, la elección de tal técnica implica algunos cuestiones éticas, porque la protección de datos personales es uno de los principales requisitos que el usuario impone a los buscadores. Pero por ahora sigue siendo cierto que algún tipo de vigilancia es posible y los visitantes comunes de un sitio web no pueden comprobar si tales eventos realmente están ocurriendo.

La primera técnica básica se llama filtrado colaborativo. Las recomendaciones mediante esta técnica se realizan en función de las características de comportamiento de una persona o grupo de personas, esta última es aún más efectiva. Los grupos reúnen a personas que son similares en comportamiento y características.

Pongamos un ejemplo para que la información sea más fácil de entender. Se está creando un sitio web donde se recomendarán obras musicales al público. ¿Cómo funcionarán en este caso los servicios de recomendación basados ​​en metodología colaborativa? De acuerdo con este principio: se tomará como base una comunidad, donde los participantes agregarán pistas del mismo género a la lista de reproducción. A continuación, se determina la pieza musical más popular y se recomienda a un usuario del grupo que aún no haya escuchado esta melodía.

El segundo enfoque se llama filtrado basado en contenido. Aquí la recomendación se forma en base al comportamiento humano. Este enfoque también puede tomar como base el historial de navegación de un participante específico.

En esta ocasión pondremos un ejemplo con revistas temáticas online. Entonces, en el caso de que una persona haya leído previamente contenido sobre ciclismo de montaña y haya comentado regularmente artículos de blog con dicho contenido, entonces el método de filtrado de contenido utilizará esta información anterior para identificar recursos similares y sugerirlos como recomendación para ese usuario. .

También existen enfoques mixtos, según los cuales se lleva a cabo el desarrollo de un sistema de recomendación.

Un enfoque combinado es una combinación de filtrado colaborativo y de contenido. Como sabemos, más es mejor, por lo que combinar estas dos técnicas aumenta la eficiencia de los sistemas de recomendación, es decir, aumenta significativamente la precisión de las predicciones para personas específicas.

Algoritmos

Correlación de Pearson

Este algoritmo le permite seleccionar Características generales entre varios usuarios. ¿Cómo? Usar matemáticas simples, es decir, determinar la relación lineal entre dos elementos. Un punto importante es que esta técnica no es adecuada para una comunidad de personas.

Agrupación

Este principio de funcionamiento de los sistemas de recomendación se basa en identificar similitudes entre elementos (usuarios) calculando su proximidad entre sí en el llamado espacio de características. Los signos son aquellos elementos en los que convergen los intereses de determinados participantes en el proceso (para recursos musicales son pistas, para portales de películas, películas). Los usuarios con características similares se combinan en los llamados grupos.

Algoritmo de filtrado colaborativo

El clustering duro se puede sustituir por otro algoritmo que funciona según una fórmula bastante compleja y, como todos los anteriores, se basa en el comportamiento de los usuarios de su grupo. Sin embargo, esta técnica tiene varias desventajas bastante importantes. En primer lugar, a los usuarios nuevos o atípicos (aquellos que no forman grupos) les resulta difícil encontrar recomendaciones. En segundo lugar, el llamado “arranque en frío”, cuando los nuevos objetos no entran en los sistemas de recomendación.

Algoritmo de filtrado de contenido

El algoritmo es simétrico al anterior, pero si en el primer caso partimos del supuesto de que al usuario le gustará el objeto porque a sus “compañeros” le gusta, aquí recomendaremos basándonos en objetos similares que ya ha anotado. él mismo. Y aquí, tradicionalmente, se pueden identificar varios problemas. El mismo "arranque en frío" y el hecho de que las recomendaciones suelen ser mundanas.

En lugar de una conclusión

Por eso, hemos proporcionado toda la información que un principiante o un simple profano debería saber sobre los sistemas de recomendación. Seamos honestos, los algoritmos son algo difíciles para una persona no entrenada, por eso este artículo no contiene fórmulas matemáticas, aunque los algoritmos se basan en ellas.

Los programas de recomendación son servicios útiles tanto para los usuarios habituales de Internet como para los investigadores y empresarios en línea. Quienes quieran aumentar las conversiones y el número de visualizaciones deben prestar atención a esta técnica y asegurarse de implementarla para aumentar la eficiencia de un recurso web, especialmente una tienda online.

Existen dos estrategias principales para crear sistemas de recomendación: filtrado de contenido y filtrado colaborativo.

En filtrado de contenidos están siendo creados perfiles usuarios y objetos.

• Los perfiles de usuario pueden incluir información demográfica o respuestas a un conjunto específico de preguntas.
• Los perfiles de objetos pueden incluir nombres de géneros, nombres de actores, nombres de artistas, etc. - dependiendo del tipo de objeto.

Este enfoque se utiliza en el proyecto. Proyecto Genoma Musical: Un analista musical evalúa cada canción según cientos de características musicales diferentes que pueden usarse para identificar las preferencias musicales de un usuario.

En filtración colaborativa Se utiliza información sobre el comportamiento anterior del usuario, por ejemplo, información sobre compras o calificaciones. En este caso no importa con qué tipo de objetos se esté trabajando, sino que se pueden tener en cuenta características implícitas que serían difíciles de tener en cuenta a la hora de crear un perfil. El principal problema de este tipo de sistemas de recomendación es el “arranque en frío”: la falta de datos sobre usuarios u objetos que aparecieron recientemente en el sistema.

Metodología

Ejemplos de recopilación de datos explícitos

• solicitar al usuario que evalúe el objeto en una escala diferenciada;
• solicitar al usuario que clasifique un grupo de objetos de mejor a peor;
• presentar al usuario dos objetos y preguntar cuál es mejor;
• una propuesta para crear una lista de objetos que le encantan al usuario.

Ejemplos de recopilación de datos implícita

• monitorear lo que el usuario ve en tiendas en línea u otro tipo de bases de datos;
• mantener registros del comportamiento en línea de los usuarios;
• rastrear el contenido de la computadora del usuario;

Solicitud

Los sistemas de recomendación comparan datos similares de Gente diferente y calcular una lista de recomendaciones para un usuario en particular. En el artículo sobre filtrado colaborativo se dan algunos ejemplos de su uso comercial y no comercial. Los sistemas de recomendación son una alternativa conveniente a los algoritmos de búsqueda, ya que permiten detectar objetos que no se pueden encontrar en último lugar. Curiosamente, los sistemas de recomendación suelen utilizar motores de búsqueda para indexar datos inusuales.

• Imhonet (películas, literatura, fotografías)
• Last.fm (música)
• Ozon (libros, CD, etc.)
• Informador de software (software)
• Laboratorio de Ciencia Ficción (sitio sobre ciencia ficción y fantasía)
• Imdb - películas (sitio en inglés)
• Ayudante - películas
• Advizzer - lugares
• Mir4 es un sistema experimental capaz de trabajar con cualquier contenido, incluido el de tirada corta. Por ahora sólo funciona con novedades.

Enlaces

Notas

Literatura

• Melville P., Mooney R., Nagarajan R. Filtrado colaborativo potenciado por contenido para recomendaciones mejoradas // Universidad de Texas, Estados Unidos: Actas de la conferencia. / AAAI-02, Austin, TX, EE.UU., 2002. - 2002. - págs. 187-192.

Fundación Wikimedia. 2010.

Rama de ciencias y actividades practicas, uno de los tipos de bibliografía (Ver Bibliografía). El principal objetivo público de R. b. en la URSS y otros países socialistas para promover el bienestar general y educación vocacional y la autoeducación... Gran enciclopedia soviética

URL: http://imhonet.ru Comercial: No tipo Sa ... Wikipedia

Este artículo está siendo editado activamente por Miembro:Moshanin. No realice ningún cambio hasta que este anuncio desaparezca. De lo contrario, pueden producirse conflictos de edición. Esto... ... Wikipedia - Se propone cambiar el nombre de esta página a Agencia Internacional de Energía Atómica. Explicación de los motivos y discusión en la página de Wikipedia: Cambiar nombre / 24 de julio de 2012. Quizás su nombre actual no se corresponda con los estándares de la moderna ... Wikipedia

BIBLIOGRAFÍA DE LITERATURA INFANTIL- una sección de bibliografía cuyas funciones incluyen la contabilidad y la información sobre obras impresas para niños y jóvenes. Esta información se dirige de dos maneras principales. direcciones: adultos (profesores, padres, educadores, especialistas asociados profesionalmente con... ... Enciclopedia pedagógica rusa

La economía de un país.- (Economía nacional) La economía de un país son las relaciones sociales para asegurar la riqueza del país y el bienestar de sus ciudadanos. El papel de la economía nacional en la vida del estado, esencia, funciones, sectores e indicadores. de la economía del país, la estructura de los países... ... Enciclopedia de inversores

Liquidez- (Liquidez) La liquidez es la movilidad de los activos, asegurando la posibilidad de pago ininterrumpido de las obligaciones. Características económicas y el índice de liquidez de una empresa, banco, mercado, activos e inversiones como factor económico importante... ... Enciclopedia de inversores

El 28 de abril de 2016, anunciamos oficialmente el lanzamiento del primer curso adaptativo en Stepic.org, que selecciona problemas de Python según el nivel del estudiante. Antes de esto, también implementamos lecciones recomendadas en la plataforma, para que los estudiantes no olvidaran lo que ya habían completado y descubrieran nuevos temas que pudieran interesarles.

Debajo del corte hay dos temas principales:

• sobre educación en línea, ventajas, desventajas y dificultades;
• clasificación de sistemas de recomendación, su aplicabilidad en educación, ejemplos.

Sobre la educación en línea, sus pros, contras y peligros

Esta parte es principalmente introductoria y describe la educación en línea. Los detalles interesantes de los sistemas de recomendación se muestran en la siguiente imagen :)

En el mundo moderno, la educación en línea se está volviendo cada vez más popular. Oportunidad de aprender de profesores destacados. Instituciones educacionales, explorar nuevas áreas, adquirir conocimientos necesarios para trabajar sin salir de casa, atrae un gran número de de la gente.

Una de las formas más comunes de aprendizaje en línea son los cursos masivos abiertos en línea (MOOC, Massive Open Online Courses). La mayoría de las veces incluyen vídeos, diapositivas y contenidos de texto preparados por el profesor, así como pruebas de conocimientos, que normalmente se comprueban automáticamente, pero los estudiantes también pueden comprobar el trabajo de los demás. Como tareas se pueden ofrecer una amplia variedad de tipos de tareas: desde simplemente elegir la respuesta correcta hasta escribir un ensayo e incluso, como tenemos en Stepik, programar tareas con verificación automática.

La educación en línea tiene sus propias características que la distinguen de la educación convencional fuera de línea. Entre las ventajas, en primer lugar, la ya mencionada accesibilidad para todo aquel que tenga acceso a Internet. En segundo lugar, tiene una escalabilidad casi ilimitada: gracias a la verificación automatizada de tareas, miles de personas pueden estudiar simultáneamente en el curso, lo que no es comparable a los cursos convencionales en el aula. En tercer lugar, cada alumno puede elegir el momento y el ritmo que le convengan para completar el material. Cuarto, los educadores tienen acceso a una gran cantidad de datos sobre cómo los usuarios completan sus cursos, que pueden utilizar para analizar y mejorar sus materiales.

Al mismo tiempo, el aprendizaje en línea también tiene desventajas. A diferencia de la educación tradicional, donde el estudiante siempre está motivado por la evaluación de su desempeño académico, en el caso de los cursos en línea no existe ninguna penalización por reprobar un curso. Debido a esto, la proporción de quienes completaron el curso de quienes se inscribieron en él rara vez supera el 10% (en nuestro Stepik, el curso "Fundamentos de estadística" de Anatoly Karpov fue el mejor según los premios EdCrunch 2015; un récord del 17% de los que se inscribieron pasaron el primer lanzamiento, pero esto es más bien una excepción). Además, debido a la gran cantidad de alumnos, el docente no tiene la oportunidad de prestar atención individual a cada alumno de acuerdo con su nivel y capacidades.

Nos propusimos la tarea de crear un sistema de recomendación que pudiera asesorar a un estudiante sobre contenidos que le resulten interesantes y tener en cuenta su nivel de preparación y lagunas de conocimientos. Además, el sistema debe poder evaluar la complejidad del contenido. Esto es necesario, en particular, para recomendaciones adaptativas que ayudarán al usuario a estudiar el material, adaptándose de manera flexible a él y ofreciéndole exactamente el contenido que necesita ahora para aprender. Un sistema de este tipo beneficiará a los usuarios con recomendaciones de lecciones personalizadas que pueden ayudarles a aprender un tema específico u ofrecer algo nuevo.

En general, ¡el aprendizaje debería haberse vuelto aún más interesante!

Uno de los primeros ejemplos de un sistema de recomendación moderno es movielens.org, que sugiere películas a los usuarios según sus preferencias. Este servicio es interesante porque proporciona a todos un amplio conjunto de datos sobre películas y calificaciones otorgadas por los usuarios. Este conjunto de datos se ha utilizado en muchas investigaciones en el campo de los sistemas de recomendación durante las últimas dos décadas.

• Sistemas basados ​​en filtrado de contenidos. Estos sistemas ofrecen a los usuarios contenidos similares a los que han estudiado anteriormente. La similitud se calcula utilizando las características de los objetos que se comparan. Por ejemplo, se puede utilizar la afinidad de género o el reparto para recomendar películas. Este enfoque se utiliza en el servicio de clasificación, búsqueda y recomendación de películas Internet Movie Database.
• Sistemas que utilizan filtrado colaborativo. En este caso, se ofrece al usuario contenido que es de interés para usuarios similares. Las recomendaciones del servicio MovieLens se basan precisamente en este enfoque.
• Sistemas híbridos que combinan los dos enfoques anteriores. Este tipo de sistema se utiliza en Netflix, un servicio para ver películas y series de televisión online.

Creamos un sistema híbrido con un uso más activo del filtrado de contenidos y un uso menos activo del filtrado colaborativo.

Hay mucha investigación sobre sistemas de recomendación para el aprendizaje mejorado con tecnología. La especificidad de la tarea en este caso añade nuevas direcciones para el desarrollo del sistema de recomendación.

¿Cuáles son las características del sistema de recomendación de un proyecto educativo?

En primer lugar, es posible construir un sistema de recomendación adaptativo que se adapte a las necesidades del usuario en un momento particular y le ofrezca las mejores formas de estudiar el material. En este formato se pueden implementar varios simuladores, por ejemplo, en matemáticas o algún lenguaje de programación, que contengan muchas tareas de diversa complejidad, de las cuales diferentes serán adecuadas para diferentes estudiantes en un momento dado.

En segundo lugar, es posible extraer dependencias entre materiales de capacitación a partir de datos sobre cómo los completan los usuarios.

Estos datos pueden ayudar a extraer temas individuales en materiales, conexiones entre estos temas y sus relaciones en complejidad.

Coursera, EdX, Udacity (plataformas de aprendizaje online) utilizan sus sistemas de recomendación para recomendar cursos a los usuarios que puedan ser de su interés. La desventaja de estas recomendaciones es que sólo pueden ofrecer el curso completo, pero no una parte del mismo, incluso si al usuario solo le interesa esa parte. Además, un sistema construido de esta manera no puede ayudar al usuario a estudiar el curso que ha elegido.

El sistema de recomendación de recursos de MathsGarden, por el contrario, trabaja con contenidos muy pequeños: tareas individuales. Es un simulador de aritmética elemental para estudiantes. escuela primaria, que ofrece al estudiante tareas que en términos de complejidad se adaptan óptimamente a él en un momento determinado.
Para hacer esto, el sistema calcula y cambia dinámicamente las características relativas del conocimiento del estudiante, así como las características de la complejidad de las tareas, pero hablaremos de esto más adelante.

En los siguientes artículos hablaremos con más detalle sobre el dispositivo Stepic.org y la implementación del sistema de recomendación, definiremos qué es un sistema de recomendación adaptativo y analizaremos en detalle los resultados obtenidos. Será divertido:)