Sistema de recomendación de cursos de formación continua para mejorar las habilidades profesionales basado en ontología y Machine Learning
- Autores: Maria Cora Urdaneta Ponte
- Directores de la Tesis: Amaia Méndez Zorrilla (dir. tes.), Ibon Oleagordia Ruiz (dir. tes.)
- Lectura: En la Universidad de Deusto ( España ) en 2022
- Idioma: español
- Tribunal Calificador de la Tesis: Inmaculada Plaza García (presid.), Susana Romero Yesa (secret.), Francklin Rivas Echeverría (voc.)
- Programa de doctorado: Programa de Doctorado en Ingeniería para la Sociedad de la Información y Desarrollo Sostenible por la Universidad de Deusto
- Materias:
- Enlaces
- Tesis en acceso abierto en: hdl.handle.net
- Resumen
Los sistemas de recomendación son herramientas que han captado el interés de diversas áreas debido a la posibilidad de sugerir productos o servicios tomando en cuenta los perfiles y el comportamiento de las personas en la red. Estos sistemas aplican algoritmos predictivos sobre un conjunto de datos para sugerir elementos relevantes a las necesidades de los usuarios. En el campo de la formación continua los sistemas de recomendación están adquiriendo mucho peso permitiendo relacionar la oferta formativa y las personas, para ayudarles a mejorar sus habilidades profesionales, frente a la necesidad de contar con personal altamente competitivos en un entorno laboral cada vez más demandante.
Hoy en día en las distintas redes sociales es posible conseguir información actualizada de personas relacionada con su perfil profesional y sus áreas de desempeño, así mismo, es común el uso de este tipo de redes, como LinkedIn, para la oferta de empleos. Por otra parte, en la web hay una gran variedad de oferta de cursos de formación continua donde suele ser muy limitada la información de los participantes referente a la calificación y preferencia de estos. Siendo unos de los mayores retos encontrar relaciones y patrones en esta vasta cantidad de información, que se actualiza constantemente, donde las fuentes de datos son heterogéneas y su naturaleza es que se presentan sin ningún tipo de normalización y de forma no estructurada o en el mejor de los casos de forma semiestructurada. Dado que la calidad de las recomendaciones depende en gran medida de la recuperación y representación de la información, se ha adoptado la representación semántica del conocimiento como una de las teorías para ayudar a resolver este tipo de problemas. Adicionalmente, se han combinado técnicas de web semántica con técnicas de Machine Learning, lo que permite, a partir de la información disponible, explotar el conocimiento, actualizarlo e inferir nuevas relaciones entre los datos, surgiendo sistemas de recomendación basados en estas técnicas como un enfoque para mejorar la calidad de las recomendaciones.
En este contexto, se desarrolló un sistema de recomendación híbrido, cuyo núcleo aplica un filtrado semántico que utiliza una ontología para modelar sectores de desempeño laboral y áreas de conocimiento, que permite representar habilidades profesionales. La ontología se actualiza vía eventos a partir de datos perfilados obtenidos de registros profesionales de las redes sociales, que, haciendo uso de técnicas de Machine Learning, clusteriza entidades con la finalidad de hacer predicciones para nuevos datos.
Etapas posteriores del sistema de recomendación hacen uso de filtrado por contenido y heurísticas con la finalidad de proponer cursos de formación continua para el desarrollo y/o actualización de habilidades profesionales.
En el proceso de desarrollo del sistema, se han explorado diferentes técnicas de filtrado, y desarrollado tres versiones de este, donde la versión final, basada en ontología y Machine Learning, permitió aprovechar la riqueza de la información obtenida de la web y mejorar el rendimiento del sistema de recomendación en cuanto a relevancia, y precisión de las sugerencias.
Con el objetivo de probar el sistema, y validar la hipótesis planteada, se obtuvo un conjunto de datos de perfiles profesionales de LinkedIn y de cursos de formación continua de la web, con los cuales se ejecutaron las diferentes versiones y configuraciones del sistema de recomendación, para poder comparar el rendimiento de estas y compararlas con los resultados de otros sistemas de recomendación encontrados en la revisión del estado del arte.
