Sistemas de Recomendación - T8

Técnicas de Filtrado en Recomendaciones

• Filtrado demográfico: Utiliza descripciones personales para establecer conexiones entre ítems y tipos de usuarios. Requiere recopilación de datos personales para clasificar al usuario demográficamente.

• Filtrado colaborativo: Basado en la retroalimentación de usuarios sobre ítems, ya sea explícita o implícita (por ejemplo, historial de compras).

• Recomendadores basados en utilidad: Realizan sugerencias según el cálculo de utilidad de cada ítem para el usuario.

Selección de Técnicas de Filtrado

• Escogencia entre diferentes técnicas:

  • Filtrado demográfico (entre estereotipo y contenidos).
  • Filtrado basado en contenido (entre perfil de usuario y contenido).
  • Filtrado colaborativo (entre perfiles de usuarios).
  • Filtrado basado en conocimiento.

• Existen sistemas híbridos que combinan varias técnicas para maximizar la eficacia de las recomendaciones en el proceso.

Componentes y Procesos de Sistemas Recomendadores

• Representación del perfil del usuario es fundamental para la efectividad de las recomendaciones.

• Interacción del usuario con el navegador permite captura de información crítica, como historial de compras o navegación, que ayuda a deducir preferencias y comportamientos.

• Es importante generar y mantener actualizados los perfiles de los usuarios para asegurar recomendaciones exitosas.

Sistemas de Recomendación

• Un comercio en línea utiliza valoraciones unidimensionales para evaluar ítems.
• El sistema recomendador predice la valoración de los ítems basándose en las diferencias de valoración media entre ítems evaluados por otros usuarios.
• En el caso de María, el sistema estima que valorará el ítem 2 con un 7/10.

Algoritmos Utilizados

• Weighted Slope One: Considera pesos para dar mayor fiabilidad a valoraciones de ítems con más datos.
• Slope One: Se basa en valoraciones previas; si no hay valoraciones, se considera información binaria (si un ítem fue adquirido o no).
• Filtrado Colaborativo Item-a-Item: Usado por plataformas como Amazon, se centra en la similitud entre ítems.

Medición de Similitud

• La similitud entre documentos se mide con técnicas como la similitud del coseno.
• En sistemas basados en VSM (Vector Space Model), los perfiles de usuario y contenidos se representan como vectores de pesos.
• La similitud de coseno se utiliza para predecir el interés del usuario en un ítem.

Meta-Técnicas y Problemas de Datos

• Las meta-técnicas abordan la escasez de datos a través de modelos comprimidos que facilitan comparaciones entre usuarios.
• Las técnicas basadas en conocimiento y utilidad son adecuadas para hibridación, evitando problemas de escalado.

Combinación de Técnicas

• El orden de aplicación de las técnicas debe considerarse al combinarlas; algunas combinaciones son sensibles al orden, mientras que otras no.
• Combinaciones ponderadas o mixtas pueden resultar en el mismo perfil de recomendaciones, mientras que combinaciones en cascada pueden generar diferentes resultados.

Ejemplo de Resultados

• Una matriz puede tener valores perdidos debido a que no todos los usuarios clasifican todas las películas.
• Se pueden eliminar valores nulos para generar cuadros de datos más presentables en análisis.

Aplicaciones y Estudios

• Diversos estudios han explorado diferentes enfoques en sistemas de recomendación, contribuyendo al desarrollo de modelos más avanzados y eficientes.
• La investigación se centra en aumentar la efectividad de los sistemas de recomendación mediante el uso de técnicas de aprendizaje activo y otros métodos innovadores.

Sistemas de Recomendación

• Tres tipos principales de sistemas de recomendación: filtrado colaborativo, basado en contenido e híbridos.
• El filtrado colaborativo se basa en las valoraciones de otros usuarios, lo que puede generar problemas con ítems no valorados.
• Los sistemas híbridos combinan diferentes técnicas para mejorar la calidad de las recomendaciones.
• Las recomendaciones pueden provenir de la utilidad percibida de los ítems para el usuario, considerando sus preferencias.

Técnicas Utilizadas

• Se utilizan técnicas de inteligencia artificial como árboles de decisión, reglas, clústering, redes neuronales y deep learning.
• El clústering permite agrupar ítems similares para facilitar las recomendaciones.

Aplicaciones Prácticas

• Plataformas de música y vídeo recomiendan contenido basado en similitudes con preferencias anteriores.
• Sistemas de recomendación de noticias utilizan el historial del usuario y sus intereses para ofrecer contenido relevante.
• Necesidad de un gran número de usuarios para mejorar la eficacia de los sistemas de recomendación, especialmente en plataformas con mucha oferta de contenido.

Retos en el Filtrado Colaborativo

• Problemas con ítems sin valoraciones, lo cual limita la capacidad de recomendación de estos sistemas.
• Estrategia potencial incluye combinar el filtrado colaborativo y basado en ítem para mejores resultados.

Recomendación Basada en Contenido

• Los sistemas de recomendación de contenido sugieren ítems similares a aquellos que el usuario ya ha disfrutado.
• Representación del contenido y su similitud son clave para generar recomendaciones efectivas.