La revista PLOS One publicó el pasado 11 de septiembre un nuevo artículo de investigación: «Predicting Human Preferences Using the Block Structure of Complex Social Networks». Sus autores, Esteban Moro y Alejandro Llorente, miembros del equipo de investigación de Procesos Empresariales en Red Social del IIC, junto a investigadores de la Universidad Rovira i Virgili de Tarragona, explican cómo utilizar la estructura de las redes sociales en los algoritmos de recomendación.
Debido al aumento de la cantidad de datos disponibles, la predicción de preferencias e intereses personales así como la ayuda a localizar estos datos y sacar de ellos información de utilidad se ha convertido en una necesidad apremiante. El artículo propone una nueva aproximación a los sistemas de recomendación fundamentada en la estructura de bloques de las interacciones en las redes sociales. Esta aproximación se basa así en las preferencias de otros individuos usando un enfoque Bayesiano, que permite no imponer ningún modelo en la predicción, sino utilizar todos los modelos posibles. Este algoritmo, basado en modelos de bloques estocásticos es considerablemente mejor que los principales algoritmos de recomendación de la industria, con mejoras del 38% hasta el 99% respecto a ellos. Además, este método facilita la toma de decisiones al ser capaz de identificar grupos de personas con preferencias e intereses similares y analizar sus características.
Para más información, consulta el artículo completo cuyo abstract le ofrecemos a continuación.
With ever-increasing available data, predicting individuals’ preferences and helping them locate the most relevant information has become a pressing need. Understanding and predicting preferences is also important from a fundamental point of view, as part of what has been called a “new” computational social science. Here, we propose a novel approach based on stochastic block models, which have been developed by sociologists as plausible models of complex networks of social interactions. Our model is in the spirit of predicting individuals’ preferences based on the preferences of others but, rather than fitting a particular model, we rely on a Bayesian approach that samples over the ensemble of all possible models. We show that our approach is considerably more accurate than leading recommender algorithms, with major relative improvements between 38% and 99% over industry-level algorithms. Besides, our approach sheds light on decision-making processes by identifying groups of individuals that have consistently similar preferences, and enabling the analysis of the characteristics of those groups.