Examinando por Autor "Urdaneta Ponte, Maria Cora"

Mostrando 1 - 2 de 2
  • Miniatura
    Ítem
    Sistema de recomendación de cursos de formación continua para mejorar las habilidades profesionales basado en ontología y Machine Learning
    (Universidad de Deusto, 2022-06-21) Urdaneta Ponte, Maria Cora; Méndez Zorrilla, Amaia; Oleagordia Ruiz, Ibon; Facultad de Ingeniería; Programa de Doctorado en Ingeniería para la Sociedad de la Información y Desarrollo Sostenible por la Universidad de Deusto
    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.
  • Miniatura
    Ítem
    Using LinkedIn endorsements to reinforce an ontology and machine learning‐based recommender system to improve professional skills
    (MDPI, 2022-04-08) Urdaneta Ponte, Maria Cora; Oleagordia Ruiz, Ibon; Méndez Zorrilla, Amaia
    Nowadays, social networks have become highly relevant in the professional field, in terms of the possibility of sharing profiles, skills and jobs. LinkedIn has become the social network par excellence, owing to its content in professional and training information and where there are also endorsements, which are validations of the skills of users that can be taken into account in the recruitment process, as well as in the recommender system. In order to determine how endorsements influence Lifelong Learning course recommendations for professional skills development and enhancement, a new version of our Lifelong Learning course recommendation system is proposed. The recommender system is based on ontology, which allows modelling the data of knowledge areas and job performance sectors to represent professional skills of users obtained from social networks. Machine learning techniques are applied to group entities in the ontology and make predictions of new data. The recommender system has a semantic core, content‐based filtering, and heuristics to perform the formative suggestion. In order to validate the data model and test the recommender system, information was obtained from web‐based lifelong learning courses and information was collected from LinkedIn professional profiles, incorporating the skills endorsements into the user profile. All possible settings of the system were tested. The best result was obtained in the setting based on the spatial clustering algorithm based on the density of noisy applications. An accuracy of 94% and 80% recall was obtained.