Filtrado colaborativo

Un ejemplo de predicción de la calificación del usuario mediante filtrado colaborativo .

Izquierda: Al principio, las personas califican diferentes elementos (como videos, imágenes, juegos).
Derecha: Después, el sistema realiza predicciones sobre la calificación que un usuario le dará a un artículo que aún no ha calificado personalmente. Estas predicciones se basan en las calificaciones existentes de otros usuarios que tienen calificaciones similares a las del usuario activo. Por ejemplo, en nuestro caso, el sistema predijo que al usuario ubicado en la esquina inferior izquierda de la red no le gustará el video.

El filtrado colaborativo ( CF ) es, además del filtrado basado en contenido , una de las dos técnicas principales utilizadas por los sistemas de recomendación . ^{[ 1 ]} El filtrado colaborativo tiene dos sentidos, uno restringido y otro más general. ^{[ 2 ]}

En el sentido más reciente y restringido, el filtrado colaborativo es un método para hacer predicciones automáticas (filtrado) sobre los intereses de un usuario utilizando preferencias o información de gusto recopilada de muchos usuarios (colaboración). Este enfoque supone que si las personas A y B comparten opiniones similares sobre un tema, es más probable que coincidan en otros temas en comparación con un emparejamiento aleatorio de A con otra persona. Por ejemplo, un sistema de filtrado colaborativo para la programación de televisión podría predecir qué programas podría disfrutar un usuario basándose en una lista limitada de los gustos del usuario (gustos o disgustos). ^{[ 3 ]} Estas predicciones son específicas para el usuario, pero utilizan información obtenida de muchos usuarios. Esto difiere del enfoque más simple de dar una puntuación promedio (no específica) para cada elemento de interés, por ejemplo, basándose en su número de votos .

En un sentido más general, el filtrado colaborativo es el proceso de filtrar información o patrones utilizando técnicas que implican la colaboración entre múltiples agentes, puntos de vista, fuentes de datos, etc. ^{[ 2 ]} Las aplicaciones del filtrado colaborativo suelen involucrar conjuntos de datos muy grandes. Los métodos de filtrado colaborativo se han aplicado a muchos tipos de datos, incluidos: datos de detección y monitoreo, como en la exploración de minerales, detección ambiental en grandes áreas o con múltiples sensores; datos financieros, como los de instituciones de servicios financieros que integran muchas fuentes financieras; y datos de usuarios de comercio electrónico y aplicaciones web.

Este artículo se centra en el filtrado colaborativo de datos de usuario, pero algunos de los métodos también se aplican a otras aplicaciones importantes.

Descripción general

El auge de internet ha dificultado enormemente la extracción de información útil de la gran cantidad de información disponible en línea . El volumen ingente de datos exige mecanismos para un filtrado eficiente . El filtrado colaborativo es una de las técnicas utilizadas para abordar este problema.

La motivación para el filtrado colaborativo surge de la idea de que las personas suelen obtener las mejores recomendaciones de alguien con gustos similares. El filtrado colaborativo abarca técnicas para conectar a personas con intereses similares y realizar recomendaciones en función de ello.

Los algoritmos de filtrado colaborativo a menudo requieren (1) la participación activa de los usuarios, (2) una forma sencilla de representar los intereses de los usuarios y (3) algoritmos que puedan emparejar a personas con intereses similares.

Por lo general, el flujo de trabajo de un sistema de filtrado colaborativo es el siguiente:

El usuario expresa sus preferencias calificando los elementos del sistema (por ejemplo, libros, películas o grabaciones musicales). Estas calificaciones pueden considerarse una representación aproximada del interés del usuario en el ámbito correspondiente.
El sistema compara las valoraciones de este usuario con las de otros usuarios y encuentra a las personas con gustos más "similares".
Con usuarios similares, el sistema recomienda artículos que dichos usuarios han valorado positivamente, pero que aún no han sido valorados por este usuario (presumiblemente, la ausencia de valoración se considera a menudo como un desconocimiento del artículo).

Un problema clave del filtrado colaborativo es cómo combinar y ponderar las preferencias de los usuarios vecinos. En ocasiones, los usuarios pueden calificar inmediatamente los artículos recomendados. Como resultado, el sistema obtiene una representación cada vez más precisa de las preferencias de los usuarios con el tiempo.

Metodología

Los sistemas de filtrado colaborativo tienen muchas formas, pero muchos sistemas comunes se pueden reducir a dos pasos:

Busque usuarios que compartan los mismos patrones de calificación que el usuario activo (el usuario para quien se realiza la predicción).
Utilice las calificaciones de aquellos usuarios con ideas afines encontrados en el paso 1 para calcular una predicción para el usuario activo.

Esto se enmarca dentro de la categoría de filtrado colaborativo basado en el usuario. Una aplicación específica de esto es el algoritmo del vecino más cercano basado en el usuario .

Como alternativa, el filtrado colaborativo basado en artículos (los usuarios que compraron x también compraron y) se lleva a cabo de manera centrada en el artículo:

Construir una matriz elemento-elemento que determine las relaciones entre pares de elementos.
Infiera los gustos del usuario actual examinando la matriz y comparando los datos de ese usuario.

Véase, por ejemplo, la familia de filtrado colaborativo basado en ítems Slope One .

Otra forma de filtrado colaborativo se basa en observaciones implícitas del comportamiento normal del usuario (a diferencia del comportamiento artificial impuesto por una tarea de calificación). Estos sistemas observan las acciones de un usuario junto con las de todos los usuarios (qué música han escuchado, qué artículos han comprado) y utilizan esos datos para predecir su comportamiento futuro o cómo podría comportarse si tuviera la oportunidad. Estas predicciones deben filtrarse mediante lógica empresarial para determinar cómo podrían afectar las acciones del sistema. Por ejemplo, no es útil ofrecerle a alguien un álbum de música si ya ha demostrado que lo posee.

Basarse en un sistema de puntuación o calificación que promedia los resultados de todos los usuarios ignora las necesidades específicas de cada uno y resulta especialmente ineficaz en tareas donde existe una gran variación de intereses (como en la recomendación de música). Sin embargo, existen otros métodos para combatir la explosión de información , como la búsqueda web y la agrupación de datos .

Tipos

Basado en memoria

El enfoque basado en la memoria utiliza datos de calificaciones de usuarios para calcular la similitud entre usuarios o elementos. Ejemplos típicos de este enfoque son el filtrado colaborativo basado en vecindarios y las recomendaciones top-N basadas en elementos o usuarios. Por ejemplo, en los enfoques basados en usuarios, el valor de las calificaciones que el usuario u otorga al elemento i se calcula como una agregación de las calificaciones de algunos usuarios similares sobre el mismo elemento:

r_{u,i}=\operatorname {aggr} _{u^{\prime }\in U}r_{u^{\prime },i}

donde U denota el conjunto de los N usuarios principales que son más similares al usuario u que calificó el artículo i . Algunos ejemplos de la función de agregación incluyen:

r_{u,i}={\frac {1}{N}}\sum \limits _{u^{\prime }\in U}r_{u^{\prime },i}

r_{u,i}=k\sum \limits _{u^{\prime }\in U}\operatorname {simil} (u,u^{\prime })r_{u^{\prime },i}

donde k es un factor de normalización definido como $k=1/\sum _{u^{\prime }\in U}|\operatorname {simil} (u,u^{\prime })|$ , y

r_{u,i}={\bar {r_{u}}}+k\sum \limits _{u^{\prime }\in U}\operatorname {simil} (u,u^{\prime })(r_{u^{\prime },i}-{\bar {r_{u^{\prime }}}})

dónde ${\bar {r_{u}}}$ es la calificación promedio del usuario u para todos los artículos calificados por u .

El algoritmo basado en vecindarios calcula la similitud entre dos usuarios o elementos y genera una predicción para el usuario mediante el promedio ponderado de todas las calificaciones. El cálculo de la similitud entre elementos o usuarios es una parte importante de este enfoque. Para ello, se utilizan diversas medidas, como la correlación de Pearson y la similitud basada en el coseno vectorial .

La similitud de correlación de Pearson de dos usuarios x , y se define como

\operatorname {simil} (x,y)={\frac {\sum \limits _{i\in I_{xy}}(r_{x,i}-{\bar {r_{x}}})(r_{y,i}-{\bar {r_{y}}})}{{\sqrt {\sum \limits _{i\in I_{xy}}(r_{x,i}-{\bar {r_{x}}})^{2}}}{\sqrt {\sum \limits _{i\in I_{xy}}(r_{y,i}-{\bar {r_{y}}})^{2}}}}}

donde I _xy es el conjunto de elementos calificados tanto por el usuario x como por el usuario y .

El enfoque basado en el coseno define la similitud del coseno entre dos usuarios x e y como : ^{[ 4 ]}

\operatorname {simil} (x,y)=\cos({\vec {x}},{\vec {y}})={\frac {{\vec {x}}\cdot {\vec {y}}}{||{\vec {x}}||\times ||{\vec {y}}||}}={\frac {\sum \limits _{i\in I_{xy}}r_{x,i}r_{y,i}}{{\sqrt {\sum \limits _{i\in I_{x}}r_{x,i}^{2}}}{\sqrt {\sum \limits _{i\in I_{y}}r_{y,i}^{2}}}}}

El algoritmo de recomendación top-N basado en usuarios utiliza un modelo vectorial basado en similitud para identificar a los k usuarios más similares a un usuario activo. Una vez encontrados los k usuarios más similares, sus matrices usuario-elemento correspondientes se agregan para identificar el conjunto de elementos que se recomendarán. Un método popular para encontrar usuarios similares es el hash sensible a la localidad , que implementa el mecanismo del vecino más cercano en tiempo lineal.

Las ventajas de este enfoque incluyen: la explicabilidad de los resultados, que es un aspecto importante de los sistemas de recomendación; la facilidad de creación y uso; la facilidad para incorporar nuevos datos; la independencia del contenido de los elementos recomendados; y una buena escala con elementos calificados conjuntamente.

Este enfoque también presenta varias desventajas. Su rendimiento disminuye cuando los datos son escasos , algo común en los elementos web. Esto dificulta su escalabilidad y genera problemas con grandes conjuntos de datos. Si bien puede gestionar eficazmente nuevos usuarios gracias a su estructura de datos , añadir nuevos elementos se complica, ya que dicha representación suele basarse en un espacio vectorial específico . Añadir nuevos elementos requiere su inclusión y la reinserción de todos los elementos en la estructura.

Basado en modelos

Una alternativa a los métodos basados en la memoria es aprender modelos para predecir la calificación que los usuarios le darán a los elementos no calificados. Los algoritmos de filtrado colaborativo basados en modelos incluyen redes bayesianas , modelos de agrupamiento , modelos semánticos latentes como la descomposición en valores singulares , el análisis semántico latente probabilístico , el factor multiplicativo múltiple, la asignación latente de Dirichlet y los modelos basados en procesos de decisión de Markov . ^{[ 5 ]}

Mediante este enfoque, los métodos de reducción de dimensionalidad se utilizan principalmente para mejorar la robustez y la precisión de los métodos basados en memoria. Específicamente, métodos como la descomposición en valores singulares y el análisis de componentes principales , conocidos como modelos de factores latentes, comprimen una matriz usuario-ítem en una representación de baja dimensión en términos de factores latentes. Esto transforma la matriz grande, que contiene muchos valores faltantes, en una matriz mucho más pequeña. Una matriz comprimida se puede utilizar para encontrar vecinos de un usuario o elemento, como se describe en la sección anterior. La compresión tiene dos ventajas en datos grandes y dispersos : es más precisa y escala mejor. ^{[ 6 ]}

Híbrido

Varias aplicaciones combinan algoritmos de filtrado colaborativo (CF) basados en memoria y en modelos. Estos superan las limitaciones de los enfoques CF nativos y mejoran el rendimiento de la predicción. Es importante destacar que superan problemas del CF como la escasez y la pérdida de información. Sin embargo, presentan una mayor complejidad y son costosos de implementar. ^{[ 7 ]} Por lo general, la mayoría de los sistemas de recomendación comerciales son híbridos, por ejemplo, el sistema de recomendación de noticias de Google . ^{[ 8 ]}

Aprendizaje profundo

En los últimos años, se han propuesto numerosas técnicas neuronales y de aprendizaje profundo para el filtrado colaborativo. Algunas generalizan los algoritmos tradicionales de factorización de matrices mediante una arquitectura neuronal no lineal ^{[ 9 ]} , o aprovechan nuevos tipos de modelos como los autoencoders variacionales ^{[ 10 ]} . El aprendizaje profundo se ha aplicado a diversos escenarios (conciencia del contexto, conciencia de la secuencia, etiquetado social, etc.).

Sin embargo, se ha cuestionado la efectividad del aprendizaje profundo para la recomendación colaborativa. Un análisis sistemático de publicaciones que utilizan aprendizaje profundo o métodos neuronales para el problema de recomendación top-k, publicadas en las principales conferencias (SIGIR, KDD, WWW, RecSys), encontró que, en promedio, menos del 40% de los artículos son reproducibles, y solo el 14% en algunas conferencias. En total, el estudio identifica 18 artículos, de los cuales solo 7 pudieron reproducirse y 6 fueron superados por líneas base más antiguas y simples debidamente ajustadas. El artículo destaca posibles problemas en la investigación actual y aboga por la mejora de las prácticas científicas. ^{[ 11 ]} Otros han detectado problemas similares ^{[ 12 ]} y también en sistemas de recomendación conscientes de la secuencia. ^{[ 13 ]}

Filtrado colaborativo sensible al contexto

Muchos sistemas de recomendación simplemente ignoran otra información contextual que existe junto con la calificación del usuario al proporcionar recomendaciones de artículos. ^{[ 14 ]} Sin embargo, debido a la disponibilidad generalizada de información contextual como la hora, la ubicación, la información social y el tipo de dispositivo que usa el usuario, se está volviendo más importante que nunca para que un sistema de recomendación exitoso proporcione recomendaciones sensibles al contexto. Según Charu Aggrawal, "Los sistemas de recomendación sensibles al contexto adaptan sus recomendaciones a información adicional que define la situación específica bajo la cual se hacen las recomendaciones. Esta información adicional se denomina contexto". ^{[ 6 ]}

Al considerar la información contextual, añadiremos una dimensión adicional a la matriz de calificación usuario-ítem existente. Por ejemplo, supongamos un sistema de recomendación musical que ofrece recomendaciones diferentes según la hora del día. En este caso, es posible que un usuario tenga preferencias musicales distintas en diferentes momentos del día. Por lo tanto, en lugar de utilizar la matriz usuario-ítem, podemos usar un tensor de orden 3 (o superior para considerar otros contextos) para representar las preferencias de los usuarios en función del contexto. ^{[ 15 ]}^{[ 16 ]}^{[ 17 ]}

Para aprovechar el filtrado colaborativo y, en particular, los métodos basados en vecindarios, los enfoques pueden extenderse de una matriz de calificación bidimensional a un tensor de orden superior . Para ello, el enfoque consiste en encontrar los usuarios más similares o afines a un usuario objetivo; se puede extraer y calcular la similitud de segmentos (por ejemplo, matriz de ítem-tiempo) correspondientes a cada usuario. A diferencia del caso insensible al contexto, en el que se calcula la similitud de dos vectores de calificación, en los enfoques sensibles al contexto , la similitud de las matrices de calificación correspondientes a cada usuario se calcula utilizando coeficientes de Pearson . ^[⁶^] Una vez encontrados los usuarios más afines, sus calificaciones correspondientes se agregan para identificar el conjunto de ítems que se recomendarán al usuario objetivo.

La principal desventaja de incorporar el contexto en un modelo de recomendación radica en la dificultad para manejar conjuntos de datos más grandes que contienen muchos más valores faltantes en comparación con una matriz de calificaciones usuario-ítem . Por lo tanto, al igual que con los métodos de factorización matricial , se pueden utilizar técnicas de factorización tensorial para reducir la dimensionalidad de los datos originales antes de aplicar cualquier método basado en vecindarios .

Aplicación en la web social

A diferencia del modelo tradicional de los medios convencionales, en el que hay pocos editores que establecen las directrices, las redes sociales con filtrado colaborativo pueden tener un gran número de editores, y el contenido mejora a medida que aumenta el número de participantes. Servicios como Reddit , YouTube y Last.fm son ejemplos típicos de medios basados en el filtrado colaborativo. ^{[ 18 ]}

Un ejemplo de aplicación del filtrado colaborativo es recomendar información interesante o popular según el criterio de la comunidad. Por ejemplo, las noticias que aparecen en la página principal de Reddit reciben votos positivos de la comunidad. A medida que la comunidad crece y se diversifica, las noticias destacadas pueden reflejar mejor el interés promedio de sus miembros.

Wikipedia es otra aplicación del filtrado colaborativo. Los voluntarios contribuyen a la enciclopedia filtrando los hechos de las falsedades. ^{[ 19 ]}

Otro aspecto de los sistemas de filtrado colaborativo es la capacidad de generar recomendaciones más personalizadas mediante el análisis de la actividad pasada de un usuario específico o del historial de otros usuarios con gustos similares. Estos recursos se utilizan para la creación de perfiles de usuario y ayudan al sitio a recomendar contenido de forma individualizada. Cuanto más utilice un usuario el sistema, mejores serán las recomendaciones, ya que el sistema acumula datos para perfeccionar su modelo de dicho usuario.

Problemas

Un sistema de filtrado colaborativo no garantiza que el contenido se ajuste automáticamente a las preferencias de cada usuario. A menos que la plataforma logre una diversidad e independencia de opiniones excepcionales, un punto de vista siempre predominará sobre otro en una comunidad determinada. Al igual que en el caso de las recomendaciones personalizadas, la incorporación de nuevos usuarios o elementos puede provocar el problema del arranque en frío , ya que no habrá suficientes datos sobre estas nuevas entradas para que el filtrado colaborativo funcione correctamente. Para ofrecer recomendaciones adecuadas a un nuevo usuario, el sistema debe primero conocer sus preferencias analizando sus votaciones o valoraciones anteriores. El sistema de filtrado colaborativo requiere que un número considerable de usuarios valore un nuevo elemento antes de poder recomendarlo.

Desafíos

escasez de datos

En la práctica, muchos sistemas de recomendación comerciales se basan en grandes conjuntos de datos. Como resultado, la matriz usuario-ítem utilizada para el filtrado colaborativo puede ser extremadamente grande y dispersa, lo que plantea dificultades en el rendimiento de la recomendación.

Un problema típico causado por la escasez de datos es el problema del arranque en frío . Dado que los métodos de filtrado colaborativo recomiendan artículos basándose en las preferencias anteriores de los usuarios, los nuevos usuarios deberán calificar una cantidad suficiente de artículos para que el sistema pueda capturar sus preferencias con precisión y, por lo tanto, proporcionar recomendaciones fiables.

De igual modo, los nuevos elementos presentan el mismo problema. Cuando se añaden nuevos elementos al sistema, deben ser valorados por un número considerable de usuarios antes de poder recomendarlos a usuarios con gustos similares a los de quienes los valoraron. Este problema no afecta a las recomendaciones basadas en contenido , ya que la recomendación de un elemento se basa en un conjunto discreto de cualidades descriptivas, no en sus valoraciones.

Escalabilidad

A medida que aumenta el número de usuarios y artículos, los algoritmos tradicionales de CF sufrirán graves problemas de escalabilidad . Por ejemplo, con decenas de millones de clientes. $O(M)$ y millones de artículos $O(N)$ , un algoritmo CF con la complejidad de $n$ ya es demasiado grande. Además, muchos sistemas necesitan reaccionar inmediatamente a los requisitos en línea y hacer recomendaciones para todos los usuarios, independientemente de sus millones de usuarios, y la mayoría de los cálculos se realizan en máquinas con memoria muy grande. ^{[ 20 ]}

Sinónimos

El término sinónimos se refiere a la tendencia de varios elementos iguales o muy similares a tener nombres o entradas diferentes. La mayoría de los sistemas de recomendación no pueden detectar esta asociación latente y, por lo tanto, tratan estos productos de manera diferente.

Por ejemplo, los términos aparentemente distintos "película infantil" y "filme infantil" se refieren en realidad al mismo. De hecho, el grado de variabilidad en el uso de términos descriptivos es mayor de lo que se suele pensar. La prevalencia de sinónimos disminuye el rendimiento de las recomendaciones de los sistemas de filtrado colaborativo. El modelado de temas (como la técnica de asignación latente de Dirichlet ) podría solucionar este problema agrupando palabras distintas que pertenecen al mismo tema.

Oveja gris

El término «oveja gris» se refiere a los usuarios cuyas opiniones no coinciden ni discrepan consistentemente con las de ningún grupo de personas y, por lo tanto, no se benefician del filtrado colaborativo. Las «ovejas negras» son un grupo cuyos gustos particulares hacen que las recomendaciones sean prácticamente imposibles. Si bien esto representa una falla del sistema de recomendación, los sistemas de recomendación no electrónicos también presentan grandes problemas en estos casos, por lo que la presencia de «ovejas negras» es una falla aceptable.

Ataques de chelines

En un sistema de recomendaciones donde cualquiera puede calificar los productos, es posible que las personas otorguen muchas calificaciones positivas a sus propios artículos y calificaciones negativas a los de sus competidores. Por ello, los sistemas de filtrado colaborativo suelen requerir precauciones para evitar este tipo de manipulaciones.

Diversidad y cola larga

Se espera que los filtros colaborativos aumenten la diversidad porque nos ayudan a descubrir nuevos productos. Sin embargo, algunos algoritmos pueden, involuntariamente, hacer lo contrario. Dado que los filtros colaborativos recomiendan productos basándose en ventas o calificaciones anteriores, generalmente no pueden recomendar productos con datos históricos limitados. Esto puede crear un efecto de "los ricos se hacen más ricos" para los productos populares, similar a la retroalimentación positiva . Este sesgo hacia la popularidad puede impedir que se encuentren productos que, de otro modo, serían mejores para el consumidor. Un estudio de Wharton detalla este fenómeno junto con varias ideas que pueden promover la diversidad y la " cola larga ". ^{[ 21 ]} Se han desarrollado varios algoritmos de filtrado colaborativo para promover la diversidad y la " cola larga " ^{[ 22 ]} al recomendar artículos novedosos, ^{[ 23 ]} inesperados, ^{[ 24 ]} y fortuitos. ^{[ 25 ]}

Innovaciones

Como resultado del premio de Netflix, se han desarrollado nuevos algoritmos para la CF (Filtrado Computación) .
Filtrado colaborativo entre sistemas donde los perfiles de usuario de múltiples sistemas de recomendación se combinan de manera multitarea; de esta forma, se logra compartir patrones de preferencia entre modelos. ^{[ 26 ]}
Filtrado colaborativo robusto , donde la recomendación es estable frente a intentos de manipulación. Esta área de investigación aún está activa y no está completamente resuelta. ^{[ 27 ]}

Información auxiliar

La matriz usuario-ítem es un fundamento básico de las técnicas tradicionales de filtrado colaborativo y sufre del problema de la escasez de datos (es decir, arranque en frío ). Como consecuencia, además de la matriz usuario-ítem, los investigadores están tratando de recopilar más información auxiliar para ayudar a mejorar el rendimiento de las recomendaciones y desarrollar sistemas de recomendación personalizados. ^{[ 28 ]} Generalmente, hay dos tipos populares de información auxiliar: información de atributos e información de interacción . La información de atributos describe las propiedades de un usuario o un elemento. Por ejemplo, los atributos de usuario pueden incluir el perfil general (por ejemplo, género y edad) y los contactos sociales (por ejemplo, seguidores o amigos en redes sociales ); los atributos de elemento se refieren a propiedades como la categoría, la marca o el contenido. Además, la información de interacción se refiere a los datos implícitos que muestran cómo los usuarios interactúan con el elemento. La información de interacción ampliamente utilizada contiene etiquetas, comentarios o reseñas e historial de navegación, etc. La información auxiliar juega un papel importante en una variedad de aspectos. Los enlaces sociales explícitos, como un representante confiable de confianza o amistad, siempre se emplean en el cálculo de similitud para encontrar personas similares que comparten intereses con el usuario objetivo. ^{[ 29 ]}^{[ 30 ]} La información asociada a la interacción – etiquetas – se toma como una tercera dimensión (además del usuario y el elemento) en el filtrado colaborativo avanzado para construir una estructura tensorial tridimensional para la exploración de recomendaciones. ^{[ 31 ]}

Véase también

Lenguaje de marcado de perfiles de atención (APML)
Arranque en frío
Modelo colaborativo
Motor de búsqueda colaborativo
Inteligencia colectiva
Compromiso con el cliente
Democracia delegativa , el mismo principio aplicado a la votación en lugar de al filtrado.
Marcadores empresariales
Firefly (sitio web) , un sitio web desaparecido que se basaba en el filtrado colaborativo.
Burbuja de filtro
PageRank
Obtención de preferencias
filtrado psicográfico
Sistema de recomendación
Relevancia (recuperación de información)
Sistema de reputación
Filtrado colaborativo robusto
Búsqueda de similitud
Pendiente uno
Translucidez social

Referencias

↑ Francesco Ricci, Lior Rokach y Bracha Shapira, Introducción al Manual de Sistemas de Recomendación (Archivado el 2 de junio de 2016 en Wayback Machine) , Manual de Sistemas de Recomendación, Springer, 2011, págs. 1-35
1 2 Terveen, Loren ; Hill, Will (2001). "Más allá de los sistemas de recomendación: Ayudando a las personas a ayudarse mutuamente" (PDF) . Addison-Wesley. pág. 6. Recuperado el 16 de enero de 2012 .
↑ Un enfoque integrado para las recomendaciones de TV y VOD. Archivado el 6 de junio de 2012 en Wayback Machine.
↑ John S. Breese, David Heckerman y Carl Kadie, Análisis empírico de algoritmos predictivos para filtrado colaborativo , 1998. Archivado el 19 de octubre de 2013 en Wayback Machine .
↑ Xiaoyuan Su, Taghi M. Khoshgoftaar, Un estudio de las técnicas de filtrado colaborativo , Archivo de Avances en Inteligencia Artificial, 2009.
1 2 3 Sistemas de recomendación: El libro de texto | Charu C. Aggarwal | Springer . Springer. 2016. ISBN 9783319296579.
^ Ghazanfar, Mustansar Ali; Prügel-Bennett, Adam; Szedmak, Sandor (2012). "Algoritmos del sistema de recomendación de mapeo de kernel". Ciencias de la Información . 208 : 81– 104. CiteSeerX 10.1.1.701.7729 . doi : 10.1016/j.ins.2012.04.012 . S2CID 20328670 .
↑ Das, Abhinandan S.; Datar, Mayur; Garg, Ashutosh; Rajaram, Shyam (2007). "Personalización de noticias de Google". Actas de la 16.ª conferencia internacional sobre la World Wide Web – WWW '07 . p. 271. doi : 10.1145/1242572.1242610 . ISBN 9781595936547. S2CID 207163129 .
↑ He, Xiangnan; Liao, Lizi; Zhang, Hanwang; Nie, Liqiang; Hu, Xia; Chua, Tat-Seng (2017). "Filtrado colaborativo neuronal" . Actas de la 26.ª Conferencia Internacional sobre la World Wide Web . Comité Directivo de las Conferencias Internacionales sobre la World Wide Web. págs. 173–182 . arXiv : 1708.05031 . doi : 10.1145/3038912.3052569 . ISBN 9781450349130. S2CID 13907106 . Consultado el 16 de octubre de 2019 .
↑ Liang, Dawen; Krishnan, Rahul G.; Hoffman, Matthew D.; Jebara, Tony (2018). «Autoencoders variacionales para filtrado colaborativo». Actas de la Conferencia Mundial de la Web de 2018 sobre la World Wide Web – WWW '18 . Comité Directivo de las Conferencias Internacionales de la World Wide Web. págs. 689–698 . arXiv : 1802.05814 . doi : 10.1145/3178876.3186150 . ISBN 9781450356398.
↑ Ferrari Dacrema, Maurizio; Cremonesi, Paolo; Jannach, Dietmar (2019). "¿Realmente estamos progresando mucho? Un análisis preocupante de los enfoques recientes de recomendación neuronal" . Actas de la 13.ª Conferencia ACM sobre Sistemas de Recomendación . ACM. págs. 101-109 . arXiv : 1907.06902 . doi : 10.1145/3298689.3347058 . hdl : 11311/1108996 . ISBN 9781450362436. S2CID 196831663 . Consultado el 16 de octubre de 2019 .
↑ Anelli, Vito Walter; Bellogin, Alejandro; Di Noia, Tommaso; Jannach, Dietmar; Pomo, Claudio (2022). "Algoritmos de recomendación Top-N: Una búsqueda del estado del arte" . Actas de la 30.ª Conferencia ACM sobre modelado, adaptación y personalización de usuarios . ACM. págs. 121–131 . arXiv : 2203.01155 . doi : 10.1145/3503252.3531292 . ISBN 9781450392075. S2CID 247218662 . Consultado el 1 de marzo de 2022 .
↑ Ludewig, Malte; Mauro, Noemi; Latifi, Sara; Jannach, Dietmar (2019). "Comparación del rendimiento de enfoques neuronales y no neuronales para la recomendación basada en sesiones". Actas de la 13.ª Conferencia ACM sobre Sistemas de Recomendación . ACM. págs. 462–466 . doi : 10.1145/3298689.3347041 . ISBN 9781450362436.
↑ Adomavicius, Gediminas; Tuzhilin, Alexander (1 de enero de 2015). Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación . Springer US. págs. 191–226 . doi : 10.1007/978-1-4899-7637-6_6 . ISBN 9781489976369.
↑ Bi, Xuan; Qu, Annie; Shen, Xiaotong (2018). "Factorización tensorial multicapa con aplicaciones a sistemas de recomendación" . Annals of Statistics . 46 (6B): 3303– 3333. arXiv : 1711.01598 . doi : 10.1214/17-AOS1659 . S2CID 13677707 .
^ Zhang, Yanqing; Bi, Xuan; Tang, Niansheng; Qu, Annie (2020). "Sistemas dinámicos de recomendación de tensores". arXiv : 2003.05568v1 [ estadística.ME ].
↑ Bi, Xuan; Tang, Xiwei; Yuan, Yubai; Zhang, Yanqing; Qu, Annie (2021). "Tensores en estadística" . Annual Review of Statistics and Its Application . 8 (1): annurev. Bibcode : 2021AnRSA...842720B . doi : 10.1146/annurev-statistics-042720-020816 . S2CID 224956567 .
↑ Filtrado colaborativo: la savia de la web social. Archivado el 22 de abril de 2012 en Wayback Machine.
↑ Gleick, James (2012). La información : una historia, una teoría, una inundación (1.ª ed. de Vintage Books, 2012 ). Nueva York: Vintage Books. pág. 410. ISBN 978-1-4000-9623-7OCLC 745979816
↑ Pankaj Gupta, Ashish Goel, Jimmy Lin, Aneesh Sharma, Dong Wang y Reza Bosagh Zadeh WTF: El sistema de a quién seguir en Twitter , Actas de la 22.ª conferencia internacional sobre la World Wide Web
↑ Fleder, Daniel; Hosanagar, Kartik (mayo de 2009). "El próximo auge o caída de la cultura de los éxitos de taquilla: el impacto de los sistemas de recomendación en la diversidad de ventas" . Management Science . 55 (5): 697–712 . doi : 10.1287/mnsc.1080.0974 . SSRN 955984 .
↑ Castells, Pablo; Hurley, Neil J.; Vargas, Saúl (2015). «Novedad y diversidad en los sistemas de recomendación» . En Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación (2.ª ed.). Springer US. pp. 881–918 . doi : 10.1007/978-1-4899-7637-6_26 . ISBN 978-1-4899-7637-6.
↑ Choi, Jeongwhan; Hong, Seoyong; Park, Noseong; Cho, Sung-Bae (2022). "Modelos de procesos de desenfoque y nitidez para filtrado colaborativo". arXiv : 2211.09324 [ cs.IR ].
↑ Adamopoulos, Panagiotis; Tuzhilin, Alexander (enero de 2015). "Sobre lo inesperado en los sistemas de recomendación: o cómo anticipar mejor lo inesperado". ACM Transactions on Intelligent Systems and Technology . 5 (4): 1– 32. doi : 10.1145/2559952 . S2CID 15282396 .
↑ Adamopoulos, Panagiotis (octubre de 2013). «Más allá de la precisión en la predicción de calificaciones». Actas de la 7.ª conferencia ACM sobre sistemas de recomendación . págs. 459–462 . doi : 10.1145/2507157.2508073 . ISBN 9781450324090. S2CID 1526264 .
↑ Chatzis, Sotirios (octubre de 2013). «Filtrado colaborativo multitarea bayesiano no paramétrico». CIKM '13: Actas de la 22.ª conferencia internacional ACM sobre gestión de la información y el conocimiento . Portal.acm.org. págs. 2149–2158 . doi : 10.1145/2505515.2505517 . ISBN 9781450322638. S2CID 10515301 .
↑ Mehta, Bhaskar; Hofmann, Thomas; Nejdl, Wolfgang (19 de octubre de 2007). Actas de la conferencia ACM de 2007 sobre sistemas de recomendación – Rec Sys '07 . Portal.acm.org. pág. 49. CiteSeerX 10.1.1.695.1712 . doi : 10.1145/1297231.1297240 . ISBN 9781595937308. S2CID 5640125 .
↑ Shi, Yue; Larson, Martha; Hanjalic, Alan (2014). "Filtrado colaborativo más allá de la matriz usuario-elemento: una revisión del estado del arte y los desafíos futuros". ACM Computing Surveys . 47 : 1–45 . doi : 10.1145/2556270 . S2CID 5493334 .
↑ Massa, Paolo; Avesani, Paolo (2009). Computing with social trust . Londres: Springer. pp. 259–285 .
↑ Groh Georg; Ehmig Christian. Recomendaciones en dominios relacionados con el gusto: filtrado colaborativo frente a filtrado social . Actas de la conferencia internacional ACM de 2007 sobre apoyo al trabajo en grupo. págs. 127–136 . CiteSeerX 10.1.1.165.3679 .
↑ Symeonidis, Panagiotis; Nanopoulos, Alexandros; Manolopoulos, Yannis (2008). "Recomendaciones de etiquetas basadas en la reducción de la dimensionalidad tensorial". Actas de la conferencia ACM de 2008 sobre sistemas de recomendación . págs. 43–50 . CiteSeerX 10.1.1.217.1437 . doi : 10.1145/1454008.1454017 . ISBN 9781605580937. S2CID 17911131 .

Enlaces externos

Más allá de los sistemas de recomendación: Cómo ayudar a las personas a ayudarse mutuamente , página 12, 2001
Sistemas de recomendación. Prem Melville y Vikas Sindhwani. En Enciclopedia del aprendizaje automático, Claude Sammut y Geoffrey Webb (eds.), Springer, 2010.
Sistemas de recomendación en contextos industriales – Tesis doctoral (2012) que incluye una visión general completa de muchos sistemas de recomendación colaborativos.
Hacia la próxima generación de sistemas de recomendación: una revisión del estado del arte y posibles extensiones . Adomavicius, G. y Tuzhilin, A. IEEE Transactions on Knowledge and Data Engineering 06.2005
Evaluación de sistemas de recomendación de filtrado colaborativo ( DOI : 10.1145/963770.963772 )
Documentos de investigación de GroupLens .
Filtrado colaborativo potenciado por contenido para mejorar las recomendaciones. Prem Melville, Raymond J. Mooney y Ramadass Nagarajan. Actas de la Decimoctava Conferencia Nacional sobre Inteligencia Artificial (AAAI-2002), págs. 187-192, Edmonton, Canadá, julio de 2002.
Una colección de proyectos pasados y presentes de "filtrado de información" (incluido el filtrado colaborativo) en el MIT Media Lab.
Eigentaste: Un algoritmo de filtrado colaborativo de tiempo constante. Ken Goldberg, Theresa Roeder, Dhruv Gupta y Chris Perkins. Information Retrieval, 4(2), 133–151. Julio de 2001.
Un estudio de técnicas de filtrado colaborativo Su, Xiaoyuan y Khoshgortaar, Taghi. M
Personalización de Google News: Filtrado colaborativo en línea escalable. Abhinandan Das, Mayur Datar, Ashutosh Garg y Shyam Rajaram. Conferencia Internacional de la World Wide Web, Actas de la 16.ª conferencia internacional sobre la World Wide Web.
Considerar a los vecinos: filtrado colaborativo escalable y preciso. Yehuda Koren, Transactions on Knowledge Discovery from Data (TKDD) (2009).
Predicción de calificaciones mediante filtrado colaborativo
Sistemas de recomendación archivados el 11 de febrero de 2013 en Wayback Machine.
Filtrado colaborativo de Berkeley

[handbook-1] Francesco Ricci, Lior Rokach y Bracha Shapira, Introducción al Manual de Sistemas de Recomendación (Archivado el 2 de junio de 2016 en Wayback Machine) , Manual de Sistemas de Recomendación, Springer, 2011, págs. 1-35

[recommender-2] 1 2 Terveen, Loren ; Hill, Will (2001). "Más allá de los sistemas de recomendación: Ayudando a las personas a ayudarse mutuamente" (PDF) . Addison-Wesley. pág. 6. Recuperado el 16 de enero de 2012 .

[3] Un enfoque integrado para las recomendaciones de TV y VOD. Archivado el 6 de junio de 2012 en Wayback Machine.

[Breese1999-4] John S. Breese, David Heckerman y Carl Kadie, Análisis empírico de algoritmos predictivos para filtrado colaborativo , 1998. Archivado el 19 de octubre de 2013 en Wayback Machine .

[Suetal2009-5] Xiaoyuan Su, Taghi M. Khoshgoftaar, Un estudio de las técnicas de filtrado colaborativo , Archivo de Avances en Inteligencia Artificial, 2009.

[:0-6] 1 2 3 Sistemas de recomendación: El libro de texto | Charu C. Aggarwal | Springer . Springer. 2016. ISBN 9783319296579.

[7] Ghazanfar, Mustansar Ali; Prügel-Bennett, Adam; Szedmak, Sandor (2012). "Algoritmos del sistema de recomendación de mapeo de kernel". Ciencias de la Información . 208 : 81– 104. CiteSeerX 10.1.1.701.7729 . doi : 10.1016/j.ins.2012.04.012 . S2CID 20328670 .

[8] Das, Abhinandan S.; Datar, Mayur; Garg, Ashutosh; Rajaram, Shyam (2007). "Personalización de noticias de Google". Actas de la 16.ª conferencia internacional sobre la World Wide Web – WWW '07 . p. 271. doi : 10.1145/1242572.1242610 . ISBN 9781595936547. S2CID 207163129 .

[9] He, Xiangnan; Liao, Lizi; Zhang, Hanwang; Nie, Liqiang; Hu, Xia; Chua, Tat-Seng (2017). "Filtrado colaborativo neuronal" . Actas de la 26.ª Conferencia Internacional sobre la World Wide Web . Comité Directivo de las Conferencias Internacionales sobre la World Wide Web. págs. 173–182 . arXiv : 1708.05031 . doi : 10.1145/3038912.3052569 . ISBN 9781450349130. S2CID 13907106 . Consultado el 16 de octubre de 2019 .

[10] Liang, Dawen; Krishnan, Rahul G.; Hoffman, Matthew D.; Jebara, Tony (2018). «Autoencoders variacionales para filtrado colaborativo». Actas de la Conferencia Mundial de la Web de 2018 sobre la World Wide Web – WWW '18 . Comité Directivo de las Conferencias Internacionales de la World Wide Web. págs. 689–698 . arXiv : 1802.05814 . doi : 10.1145/3178876.3186150 . ISBN 9781450356398.

[11] Ferrari Dacrema, Maurizio; Cremonesi, Paolo; Jannach, Dietmar (2019). "¿Realmente estamos progresando mucho? Un análisis preocupante de los enfoques recientes de recomendación neuronal" . Actas de la 13.ª Conferencia ACM sobre Sistemas de Recomendación . ACM. págs. 101-109 . arXiv : 1907.06902 . doi : 10.1145/3298689.3347058 . hdl : 11311/1108996 . ISBN 9781450362436. S2CID 196831663 . Consultado el 16 de octubre de 2019 .

[12] Anelli, Vito Walter; Bellogin, Alejandro; Di Noia, Tommaso; Jannach, Dietmar; Pomo, Claudio (2022). "Algoritmos de recomendación Top-N: Una búsqueda del estado del arte" . Actas de la 30.ª Conferencia ACM sobre modelado, adaptación y personalización de usuarios . ACM. págs. 121–131 . arXiv : 2203.01155 . doi : 10.1145/3503252.3531292 . ISBN 9781450392075. S2CID 247218662 . Consultado el 1 de marzo de 2022 .

[13] Ludewig, Malte; Mauro, Noemi; Latifi, Sara; Jannach, Dietmar (2019). "Comparación del rendimiento de enfoques neuronales y no neuronales para la recomendación basada en sesiones". Actas de la 13.ª Conferencia ACM sobre Sistemas de Recomendación . ACM. págs. 462–466 . doi : 10.1145/3298689.3347041 . ISBN 9781450362436.

[14] Adomavicius, Gediminas; Tuzhilin, Alexander (1 de enero de 2015). Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación . Springer US. págs. 191–226 . doi : 10.1007/978-1-4899-7637-6_6 . ISBN 9781489976369.

[15] Bi, Xuan; Qu, Annie; Shen, Xiaotong (2018). "Factorización tensorial multicapa con aplicaciones a sistemas de recomendación" . Annals of Statistics . 46 (6B): 3303– 3333. arXiv : 1711.01598 . doi : 10.1214/17-AOS1659 . S2CID 13677707 .

[16] Zhang, Yanqing; Bi, Xuan; Tang, Niansheng; Qu, Annie (2020). "Sistemas dinámicos de recomendación de tensores". arXiv : 2003.05568v1 [ estadística.ME ].

[17] Bi, Xuan; Tang, Xiwei; Yuan, Yubai; Zhang, Yanqing; Qu, Annie (2021). "Tensores en estadística" . Annual Review of Statistics and Its Application . 8 (1): annurev. Bibcode : 2021AnRSA...842720B . doi : 10.1146/annurev-statistics-042720-020816 . S2CID 224956567 .

[18] Filtrado colaborativo: la savia de la web social. Archivado el 22 de abril de 2012 en Wayback Machine.

[19] Gleick, James (2012). La información : una historia, una teoría, una inundación (1.ª ed. de Vintage Books, 2012 ). Nueva York: Vintage Books. pág. 410. ISBN 978-1-4000-9623-7OCLC 745979816

[twitterwtf-20] Pankaj Gupta, Ashish Goel, Jimmy Lin, Aneesh Sharma, Dong Wang y Reza Bosagh Zadeh WTF: El sistema de a quién seguir en Twitter , Actas de la 22.ª conferencia internacional sobre la World Wide Web

[21] Fleder, Daniel; Hosanagar, Kartik (mayo de 2009). "El próximo auge o caída de la cultura de los éxitos de taquilla: el impacto de los sistemas de recomendación en la diversidad de ventas" . Management Science . 55 (5): 697–712 . doi : 10.1287/mnsc.1080.0974 . SSRN 955984 .

[castells2015-22] Castells, Pablo; Hurley, Neil J.; Vargas, Saúl (2015). «Novedad y diversidad en los sistemas de recomendación» . En Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación (2.ª ed.). Springer US. pp. 881–918 . doi : 10.1007/978-1-4899-7637-6_26 . ISBN 978-1-4899-7637-6.

[23] Choi, Jeongwhan; Hong, Seoyong; Park, Noseong; Cho, Sung-Bae (2022). "Modelos de procesos de desenfoque y nitidez para filtrado colaborativo". arXiv : 2211.09324 [ cs.IR ].

[24] Adamopoulos, Panagiotis; Tuzhilin, Alexander (enero de 2015). "Sobre lo inesperado en los sistemas de recomendación: o cómo anticipar mejor lo inesperado". ACM Transactions on Intelligent Systems and Technology . 5 (4): 1– 32. doi : 10.1145/2559952 . S2CID 15282396 .

[25] Adamopoulos, Panagiotis (octubre de 2013). «Más allá de la precisión en la predicción de calificaciones». Actas de la 7.ª conferencia ACM sobre sistemas de recomendación . págs. 459–462 . doi : 10.1145/2507157.2508073 . ISBN 9781450324090. S2CID 1526264 .

[26] Chatzis, Sotirios (octubre de 2013). «Filtrado colaborativo multitarea bayesiano no paramétrico». CIKM '13: Actas de la 22.ª conferencia internacional ACM sobre gestión de la información y el conocimiento . Portal.acm.org. págs. 2149–2158 . doi : 10.1145/2505515.2505517 . ISBN 9781450322638. S2CID 10515301 .

[27] Mehta, Bhaskar; Hofmann, Thomas; Nejdl, Wolfgang (19 de octubre de 2007). Actas de la conferencia ACM de 2007 sobre sistemas de recomendación – Rec Sys '07 . Portal.acm.org. pág. 49. CiteSeerX 10.1.1.695.1712 . doi : 10.1145/1297231.1297240 . ISBN 9781595937308. S2CID 5640125 .

[28] Shi, Yue; Larson, Martha; Hanjalic, Alan (2014). "Filtrado colaborativo más allá de la matriz usuario-elemento: una revisión del estado del arte y los desafíos futuros". ACM Computing Surveys . 47 : 1–45 . doi : 10.1145/2556270 . S2CID 5493334 .

[29] Massa, Paolo; Avesani, Paolo (2009). Computing with social trust . Londres: Springer. pp. 259–285 .

[30] Groh Georg; Ehmig Christian. Recomendaciones en dominios relacionados con el gusto: filtrado colaborativo frente a filtrado social . Actas de la conferencia internacional ACM de 2007 sobre apoyo al trabajo en grupo. págs. 127–136 . CiteSeerX 10.1.1.165.3679 .

[31] Symeonidis, Panagiotis; Nanopoulos, Alexandros; Manolopoulos, Yannis (2008). "Recomendaciones de etiquetas basadas en la reducción de la dimensionalidad tensorial". Actas de la conferencia ACM de 2008 sobre sistemas de recomendación . págs. 43–50 . CiteSeerX 10.1.1.217.1437 . doi : 10.1145/1454008.1454017 . ISBN 9781605580937. S2CID 17911131 .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]

[ 11 ]

[ 12 ]

[ 13 ]

[ 14 ]

[ 15 ]

[ 16 ]

[ 17 ]

[ 18 ]

[ 19 ]

[ 20 ]

[ 21 ]

[ 22 ]

[ 23 ]

[ 24 ]

[ 25 ]

[ 26 ]

[ 27 ]

[ 28 ]

[ 29 ]

[ 30 ]

[ 31 ]