De Big Data social a recomendacións personalizadas: un enfoque semántico

Big data has become an important instrument for a large number of research areas. In fact, the problem of managing and extracting useful knowledge from raw data sources is currently one of the most popular topics in computing research, mostly aimed at feeding personalization or recommendation processes. Such systems can help users in decision-making process according to their needs and interests. There are different types of big data sources like data collected through sensors, smartphones signals, or social networks, to name a few. In fact, social media is one of the most representative and relevant data sources for big data. Social media data generate from a wide number of Internet applications and websites, with some of the most popular being Facebook, Twitter, LinkedIn, YouTube, Instagram, etc. Every day users contribute with abundant information in their social networks about their opinions, likings, or interests. This information can contribute in many application domains such as, health, education, tourism, e-business, etc. Nowadays, one of the challenges of the state-of-the-art is using such information to build automatically user profiling without bothering users with their participation in this. The starting idea is that recommender systems behavior can be improved by extracting valuable information from these unstructured data about the users and the items to recommend. The thesis research will focus on the study, application, and implementation of approaches to convert unstructured social big data into useful semantic information; such information is later used in building personalized recommendation systems. First, the approach is based on the analysis of the information of the users’ behavior on their social networks to generate an initial representation of the user profile. Mapping this information on ontologies and extending it with the help of well-known worldwide databases will result in creating profiles for users that reflects their greater interests. Moreover, extracted information will be used for extending items characterization, as well; the items recommendations built from these users’ profiles can be updated depending on the received feedback.Big Data se han convertido en una herramienta relevante en multitud de ámbitos de investigación. De hecho, el problema de extraer y gestionar conocimientos útiles a partir de fuentes de datos sin procesar es, hoy en día, uno de los temas de investigación más populares dentro del ámbito de la computación. En muchas ocasiones, el objetivo perseguido es conseguir información relevante para ser utilizada en procesos de personalización o recomendación. Este tipo de sistemas pueden ayudar a los usuarios en sus tomas de decisiones en base a sus necesidades e intereses. Existen diferentes tipos de fuentes de Big Data, como pueden ser datos recopilados a través de sensores, señales de dispositivos o redes sociales, por poner algunos ejemplos. De hecho, las redes sociales son una de las fuentes de datos más representativas y relevantes dentro del ámbito del Big Data. Estos datos sociales tienen por origen multitud de aplicaciones y sitios web de Internet, siendo algunos de los más populares Facebook, Twitter, LinkedIn, YouTube, Instagram, etc. A diario, los usuarios aportan una gran cantidad de información a sus redes sociales en forma de opiniones, gustos o intereses. Esta información puede ser útil en múltiples dominios, como pueden ser la salud, la educación, el turismo o el comercio electrónico, entre otros muchos. Uno de los retos identificados dentro del estado actual de estas tecnologías consiste en encontrar mecanismos para utilizar esa información para crear perfiles de usuario de forma automática, sin que el usuario tenga que intervenir en tediosos procesos de recogida de información. Nuestra idea de partida es que el comportamiento de los sistemas recomendadores se puede mejorar extrayendo información de interés a partir de estos datos no estructurados sobre los usuarios y los elementos a recomendar. El trabajo de la tesis se centrará en el estudio, aplicación e implementación de enfoques para convertir esta gran cantidad de datos (Big Data) sociales no estructurados en información semántica útil, que pueda ser utilizada en la construcción de sistemas de recomendación personalizada. En primer lugar, pretendemos abordar un análisis de información sobre el comportamiento de los usuarios en sus redes sociales con el fin de generar una representación inicial de sus perfiles de usuario. Representando esta información mediante ontologías y enriqueciéndola con la ayuda de bases de datos y conocimiento existentes pretendemos crear perfiles para los usuarios que reflejen de forma fidedigna sus principales intereses. Además, también pretendemos utilizar la información extraída para enriquecer la caracterización de los elementos a recomendar, así como la información de realimentación recibida de los usuarios para mejorar el proceso de recomendación.Big Data converteuse nunha ferramenta relevante en multitude de ámbitos de investigación. De feito, o problema de extraer e xestionar coñecemento útil a partir de fontes de datos sen procesar é, hoxe en día, un dos temas de investigación máis populares dentro do ámbito da computación. En moitas ocasións, o obxectivo perseguido é conseguir información relevante para ser utilizada en procesos de personalización ou recomendación. Este tipo de sistemas poden axudar aos usuarios nas tomas de decisións en base ás súas necesidades e intereses. Existen diferentes tipos de fontes de Big Data, como poden ser datos recompilados a través de sensores, sinais de dispositivos ou redes sociais, por citar algúns. De feito, as redes sociais son unha das fontes de datos máis representativas e relevantes no ámbito do Big Data. Estes datos teñen por orixe multitude de aplicacións e sitios web de Internet, sendo algúns dos máis populares Facebook, Twitter, LinkedIn, YouTube, Instagram, etc. Todos os días, os usuarios aportan unha gran cantidade de información ás súas redes sociais en forma de opinións, gustos ou intereses. Esta información pode ser útil en múltiples dominios, como poden ser a saúde, a educación, o turismo ou o comercio electrónico, entre outros moitos. Un dos retos identificados dentro do estado actual destas tecnoloxías consiste en atopar mecanismos para utilizar esa información para crear perfís de usuario de forma automática, sen que o usuario teña que intervir en molestos procesos de recolleita de información. A nosa idea de partida é que o comportamento dos sistemas recomendadores pódese mellorar extraendo información de interese a partir destes datos non estruturados sobre os usuarios e os elementos a recomendar. O traballo da tese centrarase no estudo, aplicación e implementación de enfoques para converter esta gran cantidade de datos (Big Data) sociais non estruturados en información semántica útil, que poida ser utilizada na construción de sistemas de recomendación personalizada. En primeiro lugar, pretendemos abordar unha análise de información sobre o comportamento dos usuarios nas súas redes sociais co fin de xerar unha representación inicial dos seus perfís de usuario. Representando esta información mediante ontoloxías e enriquecéndoa coa axuda de bases de datos e coñecemento existentes pretendemos crear perfís para os usuarios que reflictan de forma fidedigna os seus principais intereses. Ademais, tamén pretendemos utilizar a información extraída para enriquecer a caracterización dos elementos a recomendar, así como a información de realimentación recibida dos usuarios para mellorar o proceso de recomendación