Gabriel Sepúlveda, Denis Parra.
JI3 2017, número 9, páginas 92-103.
ABSTRACT
Dentro de las tareas de recomendación, ya sea en el ámbito de predicción de ratings como en el de elaboración de rankings, existen dos componentes fundamentales que permiten llevarlas a cabo. Por un lado, se cuenta con un conjunto de datos que relacionan el nivel de afinidad expresada por ciertos usuarios hacia determinados elementos o ítems. Por otro lado, se cuenta con algoritmos capaces de convertir esos datos en información útil que permite predecir el grado de afinidad o rechazo que pueda experimentar cada usuario hacia los ítems pertenecientes al subconjunto de elementos desconocidos por ellos. Para poder reunir estos dos componentes, existen múltiples herramientas de software que logran resolver el problema de recomendación sin tener que adentrarse en las complejidades inherentes de la programación de algoritmos, pero que sin embargo, no logran concentrar una batería completa de herramientas que permitan la realización de experimentos y análisis en un solo ambiente. Por este motivo, se ha desarrollado la biblioteca pyRecLab (Sepulveda, Dominguez & Parra, 2017), que intenta cubrir estas falencias proporcionando métodos de recomendación de fácil uso, y que se espera puedan ir ampliando su cobertura a través del tiempo.