Presentamos MobileConvRec: Un nuevo conjunto de datos para recomendaciones de apps

Las apps móviles juegan un papel importante en nuestras vidas diarias, ayudándonos con tareas como la comunicación, el entretenimiento y la productividad. Con más de 5 mil millones de Usuarios móviles en todo el mundo, encontrar la app adecuada puede ser abrumador. Los Sistemas de Recomendación tienen como objetivo ayudar a los usuarios a descubrir apps que se ajusten a sus necesidades. Recientemente, han surgido sistemas de recomendación conversacionales, que permiten a los usuarios interactuar con estos sistemas a través de lenguaje natural. Este artículo presenta un nuevo conjunto de datos diseñado específicamente para recomendaciones de apps móviles utilizando conversaciones.

#La Necesidad de un Nuevo Conjunto de Datos

El crecimiento de las apps móviles no ha sido acompañado por la investigación en sistemas de recomendación conversacionales. Los Conjuntos de datos existentes o bien dependen de las interacciones de los usuarios sin conversaciones o carecen de la calidad y profundidad necesarias para recomendaciones efectivas. Para cerrar esta brecha, se necesita un nuevo conjunto de datos que incorpore tanto interacciones de usuarios como intercambios conversacionales.

#¿Qué es MobileConvRec?

MobileConvRec es un conjunto de datos Conversacional dirigido a mejorar las recomendaciones de apps móviles. Incluye más de 12,000 conversaciones de múltiples turnos relacionadas con recomendaciones de apps, cubriendo 45 categorías diferentes de apps. Estas conversaciones reflejan interacciones reales de usuarios con apps móviles, proporcionando un recurso rico para investigadores interesados en desarrollar mejores sistemas de recomendación.

#¿Cómo se Creó el Conjunto de Datos?

El conjunto de datos se creó utilizando interacciones de la tienda Google Play. Combina las preferencias de los usuarios-de sus interacciones pasadas con apps-con conversaciones completas para capturar tanto las necesidades implícitas como las explícitas de los usuarios. El proceso implica dos pasos principales:

1. Generación de Estructura de Diálogo: Este paso crea una estructura básica para las conversaciones basadas en las preferencias de los usuarios y las interacciones con las apps.

2. Transformación a Lenguaje Natural: En este paso, la estructura se convierte en intercambios conversacionales reales, utilizando modelos de lenguaje avanzados para asegurar que suenen naturales y coherentes.

#Características del Conjunto de Datos

MobileConvRec incluye metadatos ricos para cada app junto con las conversaciones. El conjunto de datos no solo cubre interacciones de usuarios, sino que también proporciona información sobre permisos de apps, prácticas de seguridad y medidas de privacidad. Esta metadata detallada hace que el conjunto de datos sea valioso para explorar diversos aspectos de las recomendaciones de apps, incluyendo la confianza y seguridad del usuario.

#Importancia de las Recomendaciones Conversacionales

Los sistemas de recomendación conversacionales permiten a los usuarios expresar sus necesidades en lenguaje natural. A diferencia de los sistemas tradicionales que dependen únicamente de interacciones históricas, estos sistemas conversacionales pueden adaptarse y refinar sus sugerencias en función del diálogo en curso con los usuarios. Esto lleva a una experiencia más personalizada y puede ayudar a reducir las posibilidades de sobrecarga del usuario al buscar apps.

#Comparaciones con Conjuntos de Datos Existentes

Varios conjuntos de datos existentes se centran en apps móviles y recomendaciones, pero a menudo tienen limitaciones. Algunos conjuntos de datos solo incluyen interacciones de un solo turno o carecen de identificadores únicos de usuarios, lo que perjudica su efectividad para sistemas conversacionales. En cambio, MobileConvRec es único porque presenta conversaciones de múltiples turnos, lo que permite interacciones más dinámicas y significativas.

#Aplicaciones Potenciales

El conjunto de datos MobileConvRec se puede usar de varias maneras:

• Entrenamiento de Sistemas de Recomendación Conversacionales: Los investigadores pueden usar este conjunto de datos para entrenar nuevos modelos que entiendan las preferencias de los usuarios y proporcionen recomendaciones personalizadas a través de conversaciones.

• Análisis de Problemas de Seguridad y Privacidad: La metadata de las apps del conjunto de datos permite a los investigadores evaluar problemas de seguridad, como la recopilación y el intercambio de datos, mejorando la confiabilidad general de las recomendaciones.

• Pruebas de Nuevos Algoritmos: El conjunto de datos sirve como un referente para probar y comparar diferentes algoritmos y modelos de recomendación, allanando el camino para avances en el campo.

#Evaluación del Conjunto de Datos

En el desarrollo y la evaluación de MobileConvRec, se realizaron varios experimentos utilizando modelos de lenguaje establecidos. Estos experimentos estaban dirigidos a medir la efectividad de las capacidades de recomendación y generación de respuestas de los modelos.

#Tasa de Éxito en Recomendaciones

La evaluación del conjunto de datos se centró en la capacidad de los modelos para generar recomendaciones de apps con precisión. Al medir la similitud entre los nombres de apps generados y las apps recomendadas, se obtuvieron ideas sobre el rendimiento de diferentes modelos.

#Capacidad de Clasificación de los Modelos

Los modelos también fueron evaluados según qué tan bien clasificaron una lista de apps candidatas. Las métricas de evaluación utilizadas permitieron una comparación clara de la efectividad de los modelos en la selección de las mejores recomendaciones de apps.

#Calidad de Generación de Respuestas

Se analizó la calidad de las respuestas generadas por los modelos en contextos conversacionales. Respuestas de alta calidad son cruciales para mantener interacciones atractivas, y esta evaluación proporcionó información valiosa sobre qué tan efectivamente los modelos podían imitar conversaciones humanas.

#Discusión sobre los Resultados

Los resultados de la evaluación de MobileConvRec indicaron mejoras significativas en el rendimiento de los modelos al aprovechar el conjunto de datos para el entrenamiento. En particular, modelos como Flan-T5 demostraron un mejor rendimiento tanto en la generación de recomendaciones como en la clasificación de apps en comparación con otros modelos como GPT-2.

#Desafíos Enfrentados por los Modelos

A pesar de los avances, algunos desafíos eran evidentes. Por ejemplo, hubo instancias en las que los modelos parecían preferir apps populares sobre otras, lo que indica sesgos potenciales. Esto resalta la necesidad de una investigación continua para abordar estos sesgos en los sistemas de recomendación.

#Direcciones Futuras

MobileConvRec establece el escenario para futuras investigaciones en recomendaciones conversacionales de apps móviles. Hay muchas posibilidades para una exploración más profunda, incluyendo la refinación del conjunto de datos, la mejora de los algoritmos y el examen de las preferencias de los usuarios con más detalle.

#Conclusión

La introducción de MobileConvRec marca una contribución significativa al campo de los sistemas de recomendación conversacionales para apps móviles. Al combinar datos de interacción de usuarios con un rico contexto conversacional, los investigadores ahora están mejor equipados para entender las preferencias de los usuarios y desarrollar sistemas de recomendación más efectivos. El conjunto de datos no solo facilita avances en la investigación, sino que también tiene el potencial de mejorar las experiencias de los usuarios en todo el panorama de las apps móviles.