Sistemas de recomendación basados en filtrado colaborativo: aceleración mediante computación reconfigurable y aplicaciones predictivas sensoriales

Abstract

Los Sistemas de Recomendación son ampliamente utilizados en la recomendación de productos en diferentes plataformas. En este ámbito de conocimiento, la tesis doctoral se centra en dos líneas de investigación complementarias: aceleración del cálculo y predicción basada en comportamiento. Los algoritmos que trabajan las recomendaciones son sofisticados y pueden requerir esfuerzos computacionales muy altos cuando trabajan en entornos de muchos usuarios y datos. Esta circunstancia motivó la investigación en la aceleración de la computación de los algoritmos para obtener resultados de recomendación en tiempos razonables, mediante tecnología FPGA, utilizando lenguajes de síntesis de alto nivel como herramienta de modelación y estrategias de paralelización. A partir de los algoritmos acelerados, se propuso una aplicación innovadora de en entornos de muchos usuarios y datos. Esta circunstancia motivó la investigación en la aceleración de la computación de los algoritmos para obtener resultados de recomendación en tiempos razonables, mediante tecnología FPGA, utilizando lenguajes de síntesis de alto nivel como herramienta de modelación y estrategias de paralelización. A partir de los algoritmos acelerados, se propuso una aplicación innovadora de los sistemas de recomendación para un problema de predicción en una infraestructura con sensores. En este caso, se proponen los sistemas de recomendación como motor de predicción para determinar los valores de parámetros ambientales en función de la actividad humana realizada sobre espacios, los cuales están monitorizados mediante sensores inalámbricos. Adicionalmente, se abordó un tercer estudio consecuencia del planteamiento anterior, relativo a la selección óptima de los datos de test necesarios para evaluar los algoritmos de predicción.

Recommender systems are widely used in product recommendation on different platforms. In this area of knowledge, the PhD thesis focuses on two complementary lines of research: design of hardware accelerators for computing and behavior-based prediction. The algorithms that work on recommendations are sophisticated and can require very high computational efforts when working in environments with many users and data. This circumstance motivated research on the acceleration of algorithm computation to obtain recommendation results in reasonable times, by means of FPGA technology, using highlevel synthesis languages as a modeling tool and parallelization strategies. Based on the accelerated algorithms, an innovative application of recommender systems was proposed for a prediction problem in a sensor infrastructure. In this case, recommender systems are proposed as a prediction tool to determine the values of environmental parameters as a function of the human activity performed on spaces, which are monitored by wireless sensors. In addition, a third study was addressed as a consequence of the previous approach, related to the optimal selection of the test data needed to evaluate the prediction algorithms.