Collaborative recommender agents based on case-based reasoning and trust

Abstract

La comunitat científica que treballa en Intel·ligència Artificial (IA) ha dut a terme una gran quantitat de treball en com la IA pot ajudar a les persones a trobar el que volen dins d'Internet. La idea dels sistemes recomanadors ha estat extensament acceptada pels usuaris. La tasca principal d'un sistema recomanador és localitzar ítems, fonts d'informació i persones relacionades amb els interessos i preferències d'una persona o d'un grup de persones. Això comporta la construcció de models d'usuari i l'habilitat d'anticipar i predir les preferències de l'usuari. Aquesta tesi està focalitzada en l'estudi de tècniques d'IA que millorin el rendiment dels sistemes recomanadors. Inicialment, s'ha dut a terme un anàlisis detallat de l'actual estat de l'art en aquest camp. Aquest treball ha estat organitzat en forma de taxonomia on els sistemes recomanadors existents a Internet es classifiquen en 8 dimensions generals. Aquesta taxonomia ens aporta una base de coneixement indispensable pel disseny de la nostra proposta. El raonament basat en casos (CBR) és un paradigma per aprendre i raonar a partir de la experiència adequat per sistemes recomanadors degut als seus fonaments en el raonament humà. Aquesta tesi planteja una nova proposta de CBR aplicat al camp de la recomanació i un mecanisme d'oblit per perfils basats en casos que controla la rellevància i edat de les experiències passades. Els resultats experimentals demostren que aquesta proposta adapta millor els perfils als usuaris i soluciona el problema de la utilitat que pateixen el sistemes basats en CBR. Els sistemes recomanadors milloren espectacularment la qualitat dels resultats quan informació sobre els altres usuaris és utilitzada quan es recomana a un usuari concret. Aquesta tesi proposa l'agentificació dels sistemes recomanadors per tal de treure profit de propietats interessants dels agents com ara la proactivitat, la encapsulació o l'habilitat social. La col·laboració entre agents es realitza a partir del mètode de filtratge basat en la opinió i del mètode col·laboratiu de filtratge a partir de confiança. Els dos mètodes es basen en un model social de confiança que fa que els agents siguin menys vulnerables als altres quan col·laboren. Els resultats experimentals demostren que els agents recomanadors col·laboratius proposats milloren el rendiment del sistema mentre que preserven la privacitat de les dades personals de l'usuari. Finalment, aquesta tesi també proposa un procediment per avaluar sistemes recomanadors que permet la discussió científica dels resultats. Aquesta proposta simula el comportament dels usuaris al llarg del temps basat en perfils d'usuari reals. Esperem que aquesta metodologia d'avaluació contribueixi al progrés d'aquesta àrea de recerca.

he Artificial Intelligence (AI) community has carried out a great deal of work on how AI can help people to find out what they want on the Internet. As a result, the idea of recommender systems has been widely accepted among users. The main task of a recommender system is to locate items, information sources and people related to the interest and preferences of a single person or a group of people. This involves the construction of user models and the ability to anticipate and predict user preferences. This thesis focuses on the study of AI techniques which improve the performance of recommender systems. Initially, a detailed analysis of the current state-of-the-art in this field has been carried out. This work has been organised as a taxonomy where existing recommender systems on the Internet are classified into 8 general dimensions. This taxonomy provides us with an indispensable knowledge base from which to design our proposal. Secondly, this thesis proposes a new CBR approach to recommendation. Case-based reasoning (CBR) is a paradigm for learning and reasoning through experience suitable for recommender systems due to its being based on human reasoning. We provide a forgetting mechanism for case-based profiles that controls the relevance and age of past experiences. Experimental results show that this proposal better adapts the profiles to users and solves the utility problem of CBR systems. Thirdly, this thesis proposes the "agentification" of recommender systems in order to take advantage of interesting agent properties such as proactivity, encapsulation or social ability. Recommender systems sharply improve the quality of results when information about other users is utilised when recommending a given user. Collaboration among agents is performed with the opinion-based filtering method and the collaborative filtering method through trust. Both are based on a social model of trust making agents less vulnerable to others while collaborating. Experimental results show that our collaborative recommender agents improve the performance of the system while preserving the privacy of the user's personal data. Finally, this thesis also proposes an evaluation procedure for recommender systems that allows a scientific discussion of the results. This proposal simulates the users' behaviour over time based on real user profiles. We hope this new evaluation methodology will contribute towards the progress in this area of research.