Recommendation and Classification Systems: A Systematic Mapping Study

Abstract

Today, recommendation algorithms are widely used by companies in multiple sectors with the aim of increasing their profits or offering a more specialized service to their customers. Moreover, there are countless applications in which classification algorithms are used, seeking to find patterns that are difficult for people to detect or whose detection cost is very high. Sometimes, it is necessary to use a mixture of both algorithms to give an optimal solution to a problem. This is the case of the ADAGIO, a R&D project that combines Machine Learning (ML) strategies from heterogeneous data sources to generate valuable knowledge based on the available Open Data. In order to support the ADAGIO project requirements, the main objective of this paper is to provide a clear vision of existing classification and recommendation ML systems to help researchers and practitioners to choose the best option. To achieve this goal, this work presents a systematic review applied in two contexts: scientific and industrial. More than a thousand papers have been analyzed resulting in 80 primary studies. Conclusions show that the combination of these two algorithms (classification and recommendation) is not very used in practice. In fact, the validation presented for both cases is very scarce in the industrial environment. From the point of view of software development life cycle, this review also shows that the work being done in the ML (for classification and recommendation) research and industrial environment is far from earlier stages such as business requirements and analysis. This makes it very difficult to find efficient and effective solutions that support real business needs from an early stage. It is therefore that the article suggests the development of new ML research lines to facilitate its application in the different domains.

Hoy en día, los algoritmos de recomendación son muy utilizados por empresas de múltiples sectores con el objetivo de incrementar sus beneficios u ofrecer un servicio más especializado a sus clientes. Además, existen innumerables aplicaciones en las que se utilizan algoritmos de clasificación, buscando encontrar patrones difíciles de detectar para las personas o cuyo coste de detección es muy elevado. En ocasiones, es necesario utilizar una mezcla de ambos algoritmos para dar una solución óptima a un problema. Este es el caso de ADAGIO, un proyecto de I+D que combina estrategias de Machine Learning (ML) a partir de fuentes de datos heterogéneas para generar conocimiento valioso basado en los Datos Abiertos disponibles. Para respaldar los requisitos del proyecto ADAGIO, el objetivo principal de este documento es proporcionar una visión clara de los sistemas de ML de clasificación y recomendación existentes para ayudar a los investigadores y profesionales a elegir la mejor opción. Para lograr este objetivo, este trabajo presenta una revisión sistemática aplicada en dos contextos: científico e industrial. Se han analizado más de mil artículos dando como resultado 80 estudios primarios. Las conclusiones muestran que la combinación de estos dos algoritmos (clasificación y recomendación) no es muy utilizada en la práctica. De hecho, la validación presentada para ambos casos es muy escasa en el entorno industrial. Desde el punto de vista del ciclo de vida del desarrollo de software, esta revisión también muestra que el trabajo que se realiza en el entorno industrial y de investigación de ML (para clasificación y recomendación) está lejos de etapas anteriores, como los requisitos y el análisis del negocio. Esto hace que sea muy difícil encontrar soluciones eficientes y efectivas que respalden las necesidades reales del negocio desde una etapa temprana. Es por ello que el artículo sugiere el desarrollo de nuevas líneas de investigación en ML para facilitar su aplicación en los diferentes dominios