...

Una vez extraída el área temática, se pasará como parámetro al módulo cognitivo, que devolverá una colección de investigadores. Para ello, se proporcionará una palabra clave y el área temática, la . La extracción de la palabra clave se realizará usando librerías de NLP, sobre el documento de la convocatoria, con el objetivo de obtener la relación semántica más cercana al área temática, en . En el caso de que no sea satisfactoria la extracción, la librería de módulo cognitivo permite obtener una colección de investigadores por área temática, esto da la posibilidad de notificar a los posibles investigadores relacionados con dicha convocatoria.

...

Por último, el sistema de recomendación determinará que qué investigadores son los adecuados para mandar una notificación sobre la convocatoria y en la misma notificación un botón/enlace para que nos devuelve un feedback positivo o negativo sobre la convocatoria.

...

Sistema de recomendación.

Image Modified

El sistema de recomendación intentará personalizar al máximo lo que ofrece a cada investigador. Esto solo será posible cuando hayamos se hayan generado los suficientes datos suficientes como para poder utilizar el motor de recomendación y obtener una buena tasa de acierto.

Existen diferentes tipos de motores , a de entre los que cabe destacar:

• Basado en contenido: A partir a partir de convocatorias solicitadas, intentar ofrecer convocatorias similares.
• Filtro colaborativo: Más más novedoso que el anterior, utiliza la información de todos los investigadores para identificar similitudes. Dos grandes tipos: basado en usuarios (investigadores) y basado en ítems (convocatorias).
• Híbridos: Los los sistemas de recomendación híbridos tratan de solventar las desventajas que tienen los diferentes motores tratando de “fusionarlos”.

...

Un filtro colaborativo trata de buscar similitud, cuando es basado en ítems, esa similitud se traduce a buscar ítems parecidossimilares, en este caso, convocatorias. La decisión de optar por un filtro colaborativo basado en ítem y no en usuarios (similitud entre usuarios) es porque el basado en ítem se comporta mejor en muchos aspectos, por ejemplo, los investigadores pueden cambiar con el tiempo sus preferencias, pero las convocatorias serán de un determinado tipo, y además este proceso ya va a utilizar un subproceso que llama al módulo de tecnologías cognitivas que ya conoce la similitud entre investigadores.

La similitud entre convocatorias la buscaremos se buscará utilizando las áreas temáticas, para ello tendremos . 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 y 5.

Por tanto, podemos descomponerlo se puede descomponer de la siguiente forma la construcción de este motor de recomendación:

1. Identificar si el área o áreas están calificadas por, al menos, la mitad de los investigadores, en caso contrario por heurística podemos determinar a quien mandamos . 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 basándonos en base a una puntuación de 0 a 5) o si ese investigador no ha calificado nunca una de las áreas temáticas.
2. En caso de que si dispongamos se disponga de las puntuaciones necesarias, crearemos se creará una matriz de correlación entre todas las áreas temáticas.
3. Obtenemos Se obtendrán los investigadores y, por cada área que hayan puntuado, obtenemos se seleccionarán todas las áreas similares (según nuestra matriz de correlación), multiplicaremos se multiplicará esa puntuación por el valor de correlación, de esta forma potenciamos se potencia el valor de correlación, tanto positivamente como negativamente.
4. Vemos Se observa el resultado que obtenemos 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.

¿Por

...

qué  puntuaciones de

...

áreas temáticas y no en la propia convocatorias?

Las convocatorias tienen un periodo de solicitud, probablemente no existan lo que da lugar a que puedan no existir suficientes solicitudes ni convocatorias para satisfacer el sistema de recomendación y que proporcioné proporcione una buena probabilidad de acierto, porque puede . Puede ocurrir que se tenga suficiente puntuaciones puntuación una vez que se ha haya terminado el plazo, por otro lado surge el problema de una convocatoria nueva no sabríamos se sabría a quien mandarla, tendríamos mandarla quién mandarla. Se debería enviar de forma indiscriminada siempre, mientras que si utilizamos las . Las áreas temáticas, que perdurarán en el tiempo y aunque aparezcan nuevas, los investigadores podrán ir puntuado esas áreas conforme vayan saliendo nuevas convocatorias, con lo que llegará un punto en que se satisfaga el requisito de mínima puntuación para utilizar el sistema de recomendación, por lo que, cuando aparezcan nuevas convocatorias sabríamos a quien , se puede determinar a quién mandarla de forma personalizada. Esta forma de realizarlo podremos encontrar también relación Siguiendo este enfoque, se encontrarán relaciones entre distintas áreas temáticas que puede podrán ser interesante de interés para los investigadores.

Sistema basado en contenido

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 importante 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 (anteriormente mencionados), que antes de calcular la similitud se juntarían en una única columna para posteriormente vectorizarlos, y con datos suficientes de los investigadores podremos , determinar si la convocatoria a ofrecer es similar a convocatorias anteriores, de . De esta forma, es posible personalizar aún más las convocatorias que notifiquemosa notificar.

Este sistema tiene el inconveniente de que no es fácil determinar que como inconveniente la dificultad para determinar qué atributos son relevantes para tener en cuenta, por lo que hace falta un experto que lo determine, por lo que . Debido a esto, hasta que no se haga un análisis más en profundidad no se determinará si merece la pena llevarlo a cabo. 

...

Ambos sistemas si se construyen se pueden fusionar para solventar las desventajas que tienen cada uno de ellos por separado. Para ello, podemos tratar 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 Este motor híbrido únicamente se realizará si se crea el sistema basado en contenido.

...

En este proceso, para hacer aún más “inteligente” la recomendación, haremos uso del se usará el módulo de tecnologías cognitivas , con la finalidad de obtener los investigadores relacionados con otros investigadores que han realizado solicitud de las convocatorias, y que no hemos notificado porque los sistemas han determinado que no es candidata, de . De esta forma podremos , se puede notificar con un mensaje al investigador diciendo “Investigadores relacionados han solicitado por esta convocatoria”, y presentársela, de esta forma haremos al proceso aún más dinámico. Incluyendo así más dinamismo en el proceso.