UNIVERSIDAD

PRIVADA ALAS
PERUANAS
DOCTORANDO: JUAN CARLOS JIMENEZ
 SISTEMA DE RECOMENDACIN BASADO EN DEEP LEARNING PARA LA
SUBCONTRATACION DE EMPRESAS.
ESTADO DEL ARTE
https://arxiv.org/abs/1609.02116
Bansal, T., Belanger, D., & McCallum, A. (2016, September). Ask the gru: Multi-task
learning for deep text recommendations. In Proceedings of the 10th ACM Conference on
Recommender Systems (pp. 107-114). ACM.
Proponen una arquitectura basado en el aprendizaje multitarea y redes neuronales
recurrentes para la recomendacin de artculos cientficos. Adems se evalu el
desempeo del modelo en la prediccin de etiquetas. Se obtuvo una mejora del
60,52%.

 Li, Y., Nie, J., Zhang, Y., Wang, B., Yan, B., & Weng, F. (2010, August). Contextual
recommendation based on text mining. In Proceedings of the 23rd International
Conference on Computational Linguistics: Posters (pp. 692-700). Association for
Computational Linguistics.
Este artculo propone aprovechar las tcnicas de extraccin de informacin para
ayudar a los sistemas de recomendacin a entrenar mejores modelos de
recomendacin basados en el contexto mediante revisiones de minera de texto. Este
modelo aprovecha las ventajas de los enfoques tradicionales de filtrado colaborativo
(FC). Los resultados experimentales demuestran que el contexto es un factor
importante que afecta a las opciones del usuario.
 https://static.googleusercontent.com/media/research.google.com/es//pubs/archive/45530.pdf
[1] Wang, Hao, Naiyan Wang, and Dit-Yan Yeung. "Collaborative deep learning for recommender
systems." Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and
Data Mining. ACM, 2015. https://arxiv.org/pdf/1409.2944.pdf
El filtrado colaborativo (CF) es un enfoque exitoso comnmente usado por muchos sistemas de
recomendacin. Los mtodos convencionales basados en CF utilizan las calificaciones otorgadas a los
tems por los usuarios como la nica fuente de informacin para aprender a hacer recomendaciones.
Sin embargo, las calificaciones son a menudo muy escasas en muchas aplicaciones, haciendo que los
mtodos basados en CF se degraden significativamente en su desempeo de recomendacin. Para
abordar este problema de escasez, se puede utilizar informacin auxiliar tal como informacin de
contenido de artculos.
 Qu es un sistema de recomendacin?
Un recomendador es un sistema que selecciona un producto que, si se compra,
maximiza el valor tanto para el comprador como para el vendedor en un
determinado momento del tiempo. Para hacer las recomendaciones, el sistema
analiza y procesa informacin histrica de los usuarios (edad, compras previas,
calificaciones), de los productos o de los contenidos (marcas, modelos, precios,
contenidos similares) y la transforma en conocimiento accionable, es decir, predice
qu producto puede ser interesante para el usuario y para la empresa. Los
recomendadores, adems, tienen cierto nivel de autonoma a la hora de presentar las
recomendaciones al usuario final.
 Los filtros colaborativos (collaborative filtering)
Los filtros colaborativos generalmente basan su lgica en las caractersticas del
usuario. Los datos que se tienen del usuario se convierten en el centro de un
filtro colaborativo. El sistema analiza las compras anteriores, las preferencias, las
calificaciones que ha dado de otros productos, el importe medio de las compras,
etc. y busca otros usuarios que se parecen a l y que han tomado decisiones
parecidas. Los productos que han tenido xito con usuarios similares,
seguramente tambin le interesarn al nuevo usuario.
 Los filtros basados en contenido (content-based filtering)
Los filtros basados en contenido tienen el producto como base de la prediccin, en lugar de tener al
usuario. Es decir, utiliza las caractersticas del artculo (marca, precio, calificaciones, tamao,
categora, etc.) para hacer las recomendaciones.
Veamos un ejemplo de filtro basado en contenido que usa Machine Learning para hacer las
recomendaciones. Pensemos en un sistema de recomendaciones de un servicio de msica en
streaming. El producto en este caso seran las canciones. Los datos de los que disponemos para
cada cancin son por ejemplo el grupo, el cantante, la discogrfica y el gnero (pop, rock, clsica,
banda sonora). Para enriquecer ms al sistema, tambin vamos a valorar las calificaciones que el
usuario ha hecho sobre los temas calificaciones explcitas, como las puntuaciones con estrellas, o
implcitas, como las veces que ha escuchado el tema , as como las caractersticas propias del usuario
(edad, sexo y pas).
 Las recomendaciones deben tener un sentido estratgico
La mejor recomendacin para un cliente es tambin la mejor para el negocio? No siempre.
Desde el punto de vista del cliente, es diferente una buena recomendacin que una
recomendacin til. A menudo las recomendaciones con mxima probabilidad de ser correctas
son demasiado obvias como para serle tiles. En ocasiones es mejor hacer recomendaciones
arriesgadas que ofrezcan productos desconocidos para el cliente.
En cambio desde el punto de vista del negocio es necesario hacer un balance entre las
ganancias a corto plazo y el retorno a largo. La lgica de negocio debe estar inserta en el
sistema de recomendacin para poder ajustar los valores a los objetivos de negocio. Contar con
valores como la rentabilidad del producto como parmetro de decisinpuede ser un enfoque
de partida.
E Prdidas econmicas y de produccin
F
E
C
T
O Alto porcentaje de proyectos Incremento del costo de proyectos Incremento de ndice de insatisfaccin
S reprogramados

C Subcontratacin
A tarda de empresas
U
S
A
S Demora en la
Base de datos de
evaluacin de Dficit de personal
datos desactualizada
expedientes
F Reducir las prdidas econmicas y de
produccin
I
N
E
S
Bajo porcentaje de proyectos Disminucin del costo de proyectos Aumento del ndice de satisfaccin
reprogramados

Reducir la
M subcontratacin
E
tarda de empresas
D
I
O
S Disminuir el tiempo
Base de datos de Contratacin de
de evaluacin de
datos actualizada personal
expedientes