Los investigadores diseñan un algoritmo para romper las ‘burbujas de búsqueda’

Cuando busque un nuevo tipo de libro, película o restaurante, su búsqueda puede sugerir un título o lugar que ya haya comprado o experimentado. Esto se debe a que las herramientas de inteligencia artificial en las que confían muchas empresas empujan a los usuarios a una «burbuja de filtro», lo que da como resultado recomendaciones idénticas o muy similares a las que se compraron anteriormente.

Ahora, un equipo de científicos informáticos ha ideado una forma de romper estas burbujas de búsqueda con un algoritmo, Pyrorank, que se basa en el mundo natural, imitando las interacciones en un ecosistema. Lo hace reduciendo el impacto de los perfiles de los usuarios y ampliando las recomendaciones que aún reflejan el enfoque de la búsqueda, produciendo resultados más diversos y útiles. El trabajo se publica como documento de congreso en Avances en inteligencia de enjambre.

«Cuando se trata de inspiración para soluciones a problemas informáticos, la naturaleza es el lugar perfecto para buscar», explica Anasse Bari, profesor asociado clínico en el Instituto Courant de Ciencias Matemáticas de la Universidad de Nueva York y cocreador del algoritmo. «Los fenómenos naturales, como las bandadas de pájaros en busca de comida, muestran que la naturaleza a menudo puede encontrar soluciones óptimas, pero simples, para abordar las necesidades».

Los sistemas de recomendación, utilizados por Google, Netflix y Spotify, entre otros, son algoritmos que utilizan datos para sugerir o recomendar productos u opciones a los consumidores en función de las compras anteriores, el historial de búsqueda y la demografía de los usuarios. Sin embargo, estos parámetros sesgan los resultados de búsqueda porque colocan a los usuarios en burbujas de filtro.

«La forma tradicional en que funcionan los sistemas de recomendación es basar las recomendaciones en la noción de similitud», explica Bari, quien dirige el Laboratorio de Investigación de Inteligencia Artificial y Análisis Predictivo del Instituto Courant. «Esto significa que verá artículos similares en las listas de opciones y recomendaciones basadas en usuarios similares a usted o artículos similares que haya comprado. Por ejemplo, si soy un usuario de productos Apple, veré cada vez más y más productos Apple en mis recomendaciones.»

Las limitaciones de los sistemas de recomendación existentes se han hecho evidentes de manera sorprendente. Por ejemplo, los partidarios políticos pueden estar dirigidos en gran medida al contenido de noticias que se alinea con sus puntos de vista preexistentes. Más significativamente, los sistemas de recomendación han mostrado videos de autolesiones para personas susceptibles.

Para abordar estas preocupaciones, Bari y sus colegas crearon Pyrorank, un algoritmo que tiene en cuenta el contenido que busca un usuario mediante la captura de una serie de recomendaciones y, al mismo tiempo, disminuye el énfasis de lo que el usuario ya ha comprado o con lo que ha interactuado. . Pyrorank funciona como un «complemento» algorítmico para los sistemas de recomendación existentes.

«Esto lo hace altamente adaptable en comparación con la sustitución de toda la canalización de recomendaciones para promover la diversificación, lo que podría ahorrar muchas horas de ingeniería», explica Bari.

Al probar la viabilidad del algoritmo, los investigadores compararon los resultados de búsqueda generados por el complemento Pyrorank con los de los sistemas de recomendación tradicionales mediante el uso de tres grandes conjuntos de datos: MovieLens, que ofrece clasificaciones de películas generadas por los usuarios, así como Good Books y Goodreads. , que albergan las calificaciones de libros de los lectores. Luego realizaron una serie de experimentos para determinar qué sistemas crearon una mayor diversidad de contenido recomendado y, al mismo tiempo, se mantuvieron fieles a los objetivos de las recomendaciones principales.

En general, los sistemas que utilizan Pyrorank generaron recomendaciones más diversas que las existentes, lo que demuestra su valor para romper las burbujas de filtro.

Al mismo tiempo, aplicar Pyrorank a un sistema de recomendación existente cambia la precisión predictiva (el error al predecir cuánto le gustarán las recomendaciones al usuario) por aumentar la diversidad de los elementos recomendados. Sin embargo, esta compensación se puede ajustar fácilmente para casos de uso específico, dicen los investigadores.

«Puede aplicar una cantidad muy pequeña de ajuste de diversidad y aún así obtener grandes ganancias en el rango de resultados mientras solo reduce marginalmente la precisión predictiva», explica Bari. «Cada caso será diferente, según el contexto del sistema de recomendación. Si bien hay algo de toma y daca entre diversidad y precisión, los sistemas de recomendación se pueden calibrar para reforzar la heterogeneidad de los resultados de búsqueda y minimizar la pérdida de precisión».

«Los sistemas de recomendación exitosos deben poder reconocer y mitigar los sesgos de un usuario, lo que lleva a recomendaciones más efectivas y una salud a largo plazo de estas plataformas», agrega. «Diseñar algoritmos para priorizar la recomendación y la diversificación de la búsqueda es un paso importante para combatir los efectos negativos y las limitaciones de los sistemas de recomendación existentes».