Efecto de las campañas de marketing sesgadas en algoritmos de collaborative filtering usados en sistemas de recomendación

Abstract

La implementación de algoritmos de collaborative filtering ha ido cobrando importancia a lo largo de los años en las estrategias empresariales de las plataformas, cuya actividad se basa en los sistemas de recomendación. La originalidad de este método de perfilado consiste en que el algoritmo no pone el foco únicamente en el usuario objetivo, sino además en terceros usuarios. De esta manera, se permite la inferencia de conclusiones implícitas para proporcionar recomendaciones personalizadas, sin que el usuario tenga que especificar sus preferencias y sus gustos. Pero este modelo tiene una serie de retos y uno que no puede pasar por alto es el sesgo resultante del estudio de comportamientos humanos, que produce un detrimento estructural en el sistema de recomendación. Este trabajo pretende ser esencialmente descriptivo y confirmar la hipótesis relacionada con el sesgo. Esto se hará mediante a una base de datos extraída de las interacciones de usuarios en la plataforma de Amazon y haciendo uso de gráficas para ofrecer una manera visual de detectar el sesgo al lector. Este último punto es de especial interés, puesto que gracias a esta representación gráfica se aporta un punto de vista real y actual sobre la materia. Por ello, la línea argumental comenzará con la explicación de la parte teórica, hasta llegar al desarrollo más práctico. Por último, se aportarán medidas preventivas para mitigar el sesgo en las bases de datos. En definitiva, este trabajo pretende subrayar la importancia del análisis de la calidad de cualquier base de datos, poniendo especial hincapié en las utilizadas para sistemas de recomendación, por sus implicaciones amplificadores.

The implementation of collaborative filtering algorithms has been gaining importance over the years in the business strategies of platforms whose activity is based on recommender systems. The originality of this profiling method is that the algorithm does not only focus on the target user, but also on third party ones. In this way, it allows the inference of implicit conclusions in order to provide personalized recommendations, without the user having to specify his preferences and personal interests. But this model has a number of challenges and one that cannot be overlooked is the bias resulting from the study of human behaviors, which produces a structural detriment in the algorythm of the recommender system. This paper aims to be essentially descriptive and to confirm the previously mentioned hypothesis related to bias. This will be done by means of a database extracted from user interactions on the Amazon platform and by making extensive use of graphs to provide a visual way of detecting bias to the reader. This last point is of special interest, since a real and current point of view on the subject is provided through this graphic representation. Therefore, the line of argument will begin with the explanation of the theoretical part, until reaching the more practical aspects. Finally, preventive measures will be provided as to mitigate the bias in the databases. In short, this paper aims to underline the importance of analyzing the quality of any database, with special emphasis on those used for recommender systems, due to their amplifying implications.