Identificando usuários em contas compartilhadas através de affinity propagation

Abstract

Muitos dos sistemas de recomendação dependem de contas de usuários para identificar seus usuários e predizer itens que eles possam se interessar. O problema é que, não é incomum ter usuários que compartilham de uma mesma conta (e.g., familiares e amigos), seja para dividir o preço de um serviço ou por pura conveniência. Por essa razão, aprender a identificar um único usuário pelo histórico da conta pode levar a sugestões imprecisas. Para endereçar esse problema, alguns estudos já foram feitos, mas todos são focados em domínios específicos. Este artigo propõe um método genérico para identificar os diferentes usuários em contas compartilhadas, baseado em um método de clusterização por passagem de mensagens, o Affinity Propagation. Experimentos em múltiplas bases de dados, utilizando métricas de performance de clusterização, mostram resultados significativos que demonstram que é possível chegar próximo ao número de usuários em contas compartilhadas, e identificar com certa precisão qual é o usuário fazendo uso do sistema para se gerar uma recomendação mais relevante a ele.

Many recommender systems rely on user accounts to identify its users and predict items they may like. The problem is, it’s not uncommon to have users who share an account (e.g. families and friends), whether to split the price of a service or for sheer convenience. For this reason, learning to identify a single user from the account history may lead to inaccurate suggestions. To address this issue, some studies were already made, but all focused in specific domains. This paper focuses on a generic method to identify the different users’ profiles behind shared accounts, based on a clustering method by passing messages, the Affinity Propagation. Experiments on multiple databases, using clustering performance metrics, have shown meaningful results that proved that it’s possible to find an approximation to the number of users in a shared account, and identify with some precision who’s the user using the system to generate a recommendation relevant to him.