...
Para la realización de este proceso se va a crear un motor de recomendación que utiliza filtro colaborativo basado en ítems, con la posibilidad de realizar un segundo motor de recomendación basado en contenido, fusionando con el anterior para crear un motor híbrido más potentehíbrido, fusionando el sistema basado en contenido y filtro colaborativo de esta forma el proceso de recomendación es más completo y personalizado, ya que la desventajas de un sistema serán cubiertas por las ventajas del otro.
Filtro colaborativo: basado en ítem
...
La similitud entre convocatorias se buscará utilizando las áreas temáticas. Para ello, se tendrá en cuenta la puntuación/feedback que el investigador nos devuelve sobre una convocatoria, la cual se compone de diferentes áreas temáticas y el investigador ha puntuado entre 0 1 y 5.
Por tanto, se puede descomponer de la siguiente forma la construcción de este motor de recomendación:
- Identificar si el área o áreas están calificadas por, al menos, la mitad de los investigadores. En caso de no estarlo, por heurística, se podrá determinar a quién enviar esa convocatoria, teniendo en cuenta que la puntuación sea mayor de 2.5 (siempre en base a una puntuación de 0 1 a 5) o si ese investigador no ha calificado nunca una de las áreas temáticas.
- En caso de que se disponga de las puntuaciones necesarias, se creará una matriz de correlación entre todas las áreas temáticas.
- Se obtendrán los investigadores y, por cada área que hayan puntuado, se seleccionarán todas las áreas similares (según nuestra matriz de correlación), se multiplicará esa puntuación por el valor de correlación, de esta forma se potencia el valor de correlación, tanto positivamente como negativamente.
- Se observa el resultado que obtenido del área o áreas de entrada de la convocatoria, si se encuentra por encima de la media de recomendación, significa que es candidata de recomendar esa convocatoria.
...
Los sistemas basados en contenido tienen en cuenta características de la convocatoria, por ejemplo, áreas temáticas, unidad de gestión, modelo de ejecución, palabras clave. Todos aquellos atributos que pueda ser importantes para un investigador a la hora de tomar la decisión de optar por una convocatoria o por otra.
Este sistema lo que haría sería crear una matriz de similitud de las convocatorias teniendo en cuenta sus atributos, que antes de calcular la similitud se juntarían en una única columna para posteriormente vectorizarlos, y con datos suficientes de los investigadores, determinar si la convocatoria a ofrecer es similar a convocatorias anteriores. De esta forma, es posible personalizar aún más las convocatorias a notificar.
Este sistema tiene como inconveniente la dificultad para determinar qué atributos son relevantes para tener en cuenta, por lo que hace falta un experto que lo determine. Debido a esto, hasta que no se haga un análisis más en profundidad no se determinará si merece la pena llevarlo a cabo. Desde la UMU se han determinado que los campos a extraer para realizar este sistema de recomendación son:
- Áreas temáticas
- Entidad convocante
- Entidad financiadora
- Finalidad
- Clasificación de producción científica
- Palabras clave
Motor híbrido
Ambos sistemas si se construyen se pueden fusionar para solventar las desventajas que tienen cada uno de ellos por separado. Para ello, se tratará la puntuación que nos devuelve cada sistema para obtener un peso, y, conforme ese peso, determinar si es candidata o no dicha convocatoria de entrada. Este motor híbrido únicamente se realizará si se crea el sistema basado en contenido.
