El arranque en frío es un problema potencial en los sistemas de información basados en computadora que implica cierto grado de modelado de datos automatizado . Específicamente, se refiere a la cuestión de que el sistema no puede hacer inferencias para los usuarios o elementos sobre los que aún no ha recopilado información suficiente.
Sistemas afectados
El problema del arranque en frío es un problema bien conocido y bien investigado para los sistemas de recomendación . Los sistemas de recomendación forman un tipo específico de técnica de filtrado de información (FI) que intenta presentar elementos de información ( comercio electrónico , películas , música , libros , noticias , imágenes , páginas web ) que probablemente sean de interés para el usuario. Normalmente, un sistema de recomendación compara el perfil del usuario con algunas características de referencia. Estas características pueden estar relacionadas con las características del elemento ( filtrado basado en contenido ) o el entorno social del usuario y el comportamiento pasado ( filtrado colaborativo ). Dependiendo del sistema, el usuario puede estar asociado a varios tipos de interacciones: calificaciones, marcadores, compras, me gusta, número de visitas a la página, etc.
Hay tres casos de arranque en frío: [1]
- Nueva comunidad : se refiere a la puesta en marcha del recomendador, cuando, si bien puede existir un catálogo de artículos, casi no hay usuarios presentes y la falta de interacción de los usuarios hace que sea muy difícil brindar recomendaciones confiables.
- Nuevo elemento : se agrega un nuevo elemento al sistema, puede tener información de contenido pero no hay interacciones presentes
- Nuevo usuario : se registra un nuevo usuario y aún no ha brindado ninguna interacción, por lo que no es posible brindar recomendaciones personalizadas
Nueva comunidad
El nuevo problema de la comunidad, o bootstrapping sistémico, se refiere al inicio del sistema, cuando prácticamente no hay información en la que el recomendante pueda confiar. [2] Este caso presenta las desventajas del caso Nuevo usuario y Nuevo artículo, ya que todos los artículos y usuarios son nuevos. Debido a esto, algunas de las técnicas desarrolladas para lidiar con esos dos casos no son aplicables al bootstrapping del sistema.
Nuevo artículo
El problema del arranque en frío del artículo se refiere a cuando los artículos agregados al catálogo tienen poca o ninguna interacción. Esto constituye un problema principalmente para los algoritmos de filtrado colaborativo debido a que se basan en las interacciones del elemento para hacer recomendaciones. Si no hay interacciones disponibles, un algoritmo de colaboración puro no puede recomendar el artículo. En caso de que solo se disponga de unas pocas interacciones, aunque un algoritmo colaborativo podrá recomendarlo, la calidad de esas recomendaciones será deficiente. [3] Esto plantea otro problema, que ya no está relacionado con nuevos artículos, sino con artículos impopulares . En algunos casos (por ejemplo, recomendaciones de películas), puede suceder que un puñado de elementos reciba un número extremadamente alto de interacciones, mientras que la mayoría de los elementos solo reciben una fracción de ellas. Esto se conoce como sesgo de popularidad . [4]
En el contexto de los artículos de inicio en frío, el sesgo de popularidad es importante porque puede suceder que muchos artículos, incluso si han estado en el catálogo durante meses, recibieran solo unas pocas interacciones. Esto crea un bucle negativo en el que los artículos impopulares serán mal recomendados, por lo tanto, recibirán mucha menos visibilidad que los populares y tendrán dificultades para recibir interacciones. [5] Si bien se espera que algunos elementos sean menos populares que otros, este tema se refiere específicamente al hecho de que el recomendante no tiene suficiente información colaborativa para recomendarlos de una manera significativa y confiable. [6]
Los algoritmos de filtrado basados en contenido , por otro lado, son en teoría mucho menos propensos al problema de los nuevos elementos. Dado que los recomendadores basados en contenido eligen qué elementos recomendar en función de la característica que poseen los elementos, incluso si no existe interacción para un nuevo elemento, sus características permitirán hacer una recomendación. [7] Por supuesto, esto supone que un nuevo artículo ya estará descrito por sus atributos, lo que no siempre es el caso. Considérese el caso de las denominadas características editoriales (por ejemplo, director, reparto, título, año), que siempre se conocen cuando el artículo, en este caso la película, se añade al catálogo. Sin embargo, es posible que otros tipos de atributos no sean, por ejemplo, características extraídas de reseñas y etiquetas de usuarios. [8] Los algoritmos basados en contenido que se basan en funciones proporcionadas por el usuario también sufren el problema del elemento de inicio en frío, ya que para los elementos nuevos, si no existen (o muy pocas) interacciones, tampoco se incluirán (o muy pocas) reseñas y etiquetas de los usuarios. disponible.
Nuevo Usuario
El caso de nuevo usuario se refiere a cuando un nuevo usuario se inscribe en el sistema y, durante un cierto período de tiempo, el recomendante debe brindar recomendaciones sin depender de las interacciones pasadas del usuario, ya que aún no se ha producido ninguna. [9] Este problema es de particular importancia cuando el recomendador es parte del servicio ofrecido a los usuarios, ya que un usuario que se enfrenta a recomendaciones de mala calidad pronto podría decidir dejar de usar el sistema antes de brindar suficiente interacción para permitir que el recomendador entienda. sus intereses. La estrategia principal para tratar con nuevos usuarios es pedirles que proporcionen algunas preferencias para crear un perfil de usuario inicial. Se debe encontrar un umbral entre la duración del proceso de registro del usuario, que si es demasiado largo podría indicar que demasiados usuarios lo abandonan, y la cantidad de datos iniciales necesarios para que el recomendador funcione correctamente. [2]
De manera similar al caso de nuevos elementos, no todos los algoritmos de recomendación se ven afectados de la misma manera. Los recomendadores de artículos se verán afectados ya que dependen del perfil del usuario para sopesar qué tan relevantes son las preferencias de otros usuarios. Los algoritmos de filtrado colaborativo son los más afectados, ya que sin interacciones no se pueden hacer inferencias sobre las preferencias del usuario. Los algoritmos de recomendación de usuario-usuario [10] se comportan de forma ligeramente diferente. Un algoritmo basado en contenido de usuario-usuario se basará en las características del usuario (por ejemplo, edad, género, país) para encontrar usuarios similares y recomendar los elementos con los que interactuaron de una manera positiva, por lo que será robusto para el nuevo caso de usuario. Tenga en cuenta que toda esta información se adquiere durante el proceso de registro, ya sea solicitando al usuario que ingrese los datos él mismo o aprovechando los datos ya disponibles, por ejemplo, en sus cuentas de redes sociales. [11]
Estrategias de mitigación
Debido a la gran cantidad de algoritmos de recomendación disponibles, así como al tipo y características del sistema, se han desarrollado muchas estrategias para mitigar el problema del arranque en frío. El enfoque principal es confiar en recomendadores híbridos, con el fin de mitigar las desventajas de una categoría o modelo combinándolo con otro. [12] [13] [14]
Las tres categorías de inicio en frío (nueva comunidad, nuevo elemento y nuevo usuario) tienen en común la falta de interacciones del usuario y presentan algunos puntos en común en las estrategias disponibles para abordarlas.
Una estrategia común cuando se trata de elementos nuevos es acoplar un recomendador de filtrado colaborativo , para elementos cálidos, con un recomendador de filtrado basado en contenido , para elementos fríos. Si bien los dos algoritmos se pueden combinar de diferentes maneras, el principal inconveniente de este método está relacionado con la baja calidad de recomendación que suelen mostrar los recomendadores basados en contenido en escenarios en los que es difícil proporcionar una descripción completa de las características del elemento. [15] En el caso de nuevos usuarios, si no hay una característica demográfica presente o su calidad es demasiado baja, una estrategia común es ofrecerles recomendaciones no personalizadas. Esto significa que se les podría recomendar simplemente los artículos más populares a nivel mundial o para su región geográfica o idioma específicos.
Finalización del perfil
Una de las opciones disponibles cuando se trata de usuarios o artículos fríos es adquirir rápidamente algunos datos de preferencias. Hay varias formas de hacerlo según la cantidad de información requerida. Estas técnicas se denominan estrategias de obtención de preferencias . [16] [17] Esto puede hacerse explícitamente (preguntando al usuario) o implícitamente (observando el comportamiento del usuario). En ambos casos, el problema del arranque en frío implicaría que el usuario tiene que dedicar una cantidad de esfuerzo utilizando el sistema en su estado 'tonto' - contribuyendo a la construcción de su perfil de usuario - antes de que el sistema pueda comenzar a proporcionar recomendaciones inteligentes. [18]
Por ejemplo , MovieLens , un sistema de recomendación de películas basado en la web , solicita al usuario que califique algunas películas como parte del registro. Si bien la estrategia de obtención de preferencias es una forma simple y eficaz de tratar con nuevos usuarios, los requisitos adicionales durante el registro harán que el proceso requiera más tiempo para el usuario. Además, la calidad de las preferencias obtenidas podría no ser la ideal, ya que el usuario podría calificar los elementos que ha visto hace meses o años o las calificaciones proporcionadas podrían ser casi aleatorias si el usuario las proporcionó sin prestar atención solo para completar el registro rápidamente.
La construcción del perfil del usuario también puede automatizarse integrando información de otras actividades del usuario, como los historiales de navegación o las plataformas de redes sociales. Si, por ejemplo, un usuario ha estado leyendo información sobre un artista musical en particular desde un portal de medios, entonces el sistema de recomendación asociado propondría automáticamente los lanzamientos de ese artista cuando el usuario visite la tienda de música. [19]
Una variación del enfoque anterior es asignar calificaciones automáticamente a nuevos elementos, en función de las calificaciones asignadas por la comunidad a otros elementos similares. La similitud de los elementos se determinaría de acuerdo con las características basadas en el contenido de los elementos. [18]
También es posible crear un perfil inicial de un usuario en función de las características de personalidad del usuario y utilizar dicho perfil para generar recomendaciones personalizadas. [20] [21] Las características de personalidad del usuario se pueden identificar utilizando un modelo de personalidad como el modelo de cinco factores (FFM).
Otra de las posibles técnicas es aplicar el aprendizaje activo (machine learning) . El objetivo principal del aprendizaje activo es guiar al usuario en el proceso de obtención de preferencias para pedirle que califique solo los elementos que, desde el punto de vista del recomendador, serán los más informativos. Esto se hace analizando los datos disponibles y estimando la utilidad de los puntos de datos (por ejemplo, calificaciones, interacciones). [22] Como ejemplo, digamos que queremos construir dos clústeres a partir de una cierta nube de puntos. Tan pronto como hayamos identificado dos puntos, cada uno de los cuales pertenece a un grupo diferente, ¿cuál es el siguiente punto más informativo? Si tomamos un punto cercano a uno que ya conocemos, podemos esperar que probablemente pertenezca al mismo grupo. Si elegimos un punto que está entre los dos grupos, saber a qué grupo pertenece nos ayudará a encontrar dónde está el límite, lo que nos permitirá clasificar muchos otros puntos con solo unas pocas observaciones.
El problema del arranque en frío también lo presentan los agentes de interfaz . Dado que un agente de este tipo normalmente aprende las preferencias del usuario implícitamente al observar patrones en el comportamiento del usuario - "mirando por encima del hombro" - tomaría tiempo antes de que el agente pueda realizar adaptaciones personalizadas para el usuario. Incluso entonces, su asistencia se limitaría a actividades en las que anteriormente ha observado que el usuario participa. [23] El problema del arranque en frío puede superarse introduciendo un elemento de colaboración entre los agentes que asisten a varios usuarios. De esta manera, se pueden manejar situaciones novedosas solicitando a otros agentes que compartan lo que ya han aprendido de sus respectivos usuarios. [23]
Mapeo de características
En los últimos años se han propuesto estrategias más avanzadas, todas ellas se basan en el aprendizaje automático e intentan fusionar el contenido y la información colaborativa en un solo modelo. Un ejemplo de estos enfoques se llama asignación de atributos a características [24], que se adapta a los algoritmos de factorización matricial . [25] La idea básica es la siguiente. Un modelo de factorización matricial representa las interacciones usuario-elemento como el producto de dos matrices rectangulares cuyo contenido se aprende mediante las interacciones conocidas a través del aprendizaje automático. Cada usuario estará asociado a una fila de la primera matriz y cada elemento con una columna de la segunda matriz. La fila o columna asociada a un usuario o elemento específico se denomina factores latentes . [26] Cuando se agrega un nuevo ítem no tiene asociados factores latentes y la falta de interacciones no permite aprenderlos, como se hacía con otros ítems. Si cada elemento está asociado a algunas características (por ejemplo, autor, año, editor, actores) es posible definir una función de incrustación, que dadas las características del elemento estima los factores latentes del elemento correspondiente. La función de incrustación se puede diseñar de muchas maneras y se entrena con los datos ya disponibles de los artículos calientes. Alternativamente, se podría aplicar un método específico de grupo. [27] [28] Un método específico de grupo descompone cada factor latente en dos partes aditivas: una parte corresponde a cada elemento (y / o cada usuario), mientras que la otra parte se comparte entre los elementos dentro de cada grupo de elementos (p. Ej., un grupo de películas puede ser películas del mismo género). Luego, una vez que llega un nuevo artículo, podemos asignarle una etiqueta de grupo y aproximar su factor latente por la parte específica del grupo (del grupo de artículos correspondiente). Por tanto, aunque la parte individual del nuevo artículo no está disponible, la parte específica del grupo proporciona una solución inmediata y eficaz. Lo mismo se aplica a un nuevo usuario, ya que si alguna información está disponible para ellos (por ejemplo, edad, nacionalidad, género), entonces sus factores latentes se pueden estimar mediante una función de inclusión o un factor latente específico del grupo.
Ponderación de características híbridas
Otro enfoque reciente que tiene similitudes con el mapeo de características es la construcción de un recomendador de filtrado basado en contenido híbrido en el que las características, ya sea de los elementos o de los usuarios, se ponderan según la percepción de importancia del usuario. Para identificar una película que le podría gustar al usuario, diferentes atributos (por ejemplo, los actores, el director, el país, el título) tendrán diferente importancia. Como ejemplo, considere la serie de películas de James Bond , el actor principal cambió muchas veces durante los años, mientras que algunos no, como Lois Maxwell . Por lo tanto, su presencia probablemente será un mejor identificador de ese tipo de película que la presencia de uno de los diversos actores principales. [15] [29] Aunque existen varias técnicas para aplicar ponderación de características a características de usuario o ítem en sistemas de recomendación , la mayoría de ellas son del dominio de recuperación de información como tf-idf , Okapi BM25 , solo unas pocas se han desarrollado específicamente para recomendadores. [30]
Las técnicas de ponderación de características híbridas, en particular, están diseñadas para el dominio del sistema de recomendación. Algunos de ellos aprenden el peso de las funciones explotando directamente las interacciones del usuario con los elementos, como FBSM. [29] Otros confían en un modelo colaborativo intermedio entrenado en elementos cálidos e intentan aprender los pesos de las características del contenido que se aproximarán mejor al modelo colaborativo. [15]
Muchos de los métodos híbridos pueden considerarse casos especiales de máquinas de factorización . [31] [32]
Diferenciar pesos de regularización
Los métodos anteriores se basan en información afiliada de usuarios o elementos. Recientemente, otro enfoque mitiga el problema del arranque en frío asignando restricciones más bajas a los factores latentes asociados con los elementos o usuarios que revelan más información (es decir, elementos populares y usuarios activos), y establece restricciones más altas para los demás (es decir, elementos menos populares). y usuarios inactivos). [33] Se muestra que varios modelos de recomendación se benefician de esta estrategia. La diferenciación de los pesos de regularización se puede integrar con las otras estrategias de mitigación del inicio en frío.
Ver también
- Filtración colaborativa
- Elicitación de preferencias
- Sistema de recomendación
- Aprendizaje activo (aprendizaje automático)
- Modelo de cinco factores
Referencias
- ^ Bobadilla, Jesús; Ortega, Fernando; Hernando, Antonio; Bernal, Jesús (febrero de 2012). "Un enfoque de filtrado colaborativo para mitigar el problema del inicio en frío del nuevo usuario" . Sistemas basados en el conocimiento . 26 : 225-238. doi : 10.1016 / j.knosys.2011.07.021 .
- ^ a b Rashid, Al Mamunur; Karypis, George; Riedl, John (20 de diciembre de 2008). "Preferencias de aprendizaje de nuevos usuarios en sistemas de recomendación". Boletín de exploración de ACM SIGKDD . 10 (2): 90. doi : 10.1145 / 1540276.1540302 .
- ^ Lika, Blerina; Kolomvatsos, Kostas; Hadjiefthymiades, Stathes (marzo de 2014). "Afrontando el problema del arranque en frío en los sistemas de recomendación". Sistemas expertos con aplicaciones . 41 (4): 2065-2073. doi : 10.1016 / j.eswa.2013.09.005 .
- ^ Hou, Lei; Pan, Xue; Liu, Kecheng (7 de marzo de 2018). "Equilibrar el sesgo de popularidad de las similitudes de objetos para la recomendación personalizada" . El Diario Europea de Física B . 91 (3): 47. Bibcode : 2018EPJB ... 91 ... 47H . doi : 10.1140 / epjb / e2018-80374-8 .
- ^ Abdollahpouri, Himan; Burke, Robin; Mobasher, Bamshad (27 de agosto de 2017). Actas de la undécima Conferencia ACM sobre sistemas de recomendación - Rec Sys '17 . ACM. págs. 42–46. doi : 10.1145 / 3109859.3109912 . ISBN 9781450346528.
- ^ Park, Yoon-Joo; Tuzhilin, Alexander (23 de octubre de 2008). Actas de la conferencia ACM de 2008 sobre sistemas de recomendación - Rec Sys '08 . ACM. págs. 11-18. CiteSeerX 10.1.1.421.1833 . doi : 10.1145 / 1454008.1454012 . ISBN 9781605580937.
- ^ Pazzani, Michael J .; Billsus, Daniel (2007). Sistemas de recomendación basados en contenido . La Web Adaptativa . Apuntes de conferencias en Ciencias de la Computación. 4321 . págs. 325–341. CiteSeerX 10.1.1.130.8327 . doi : 10.1007 / 978-3-540-72079-9_10 . ISBN 978-3-540-72078-2.
- ^ Chen, Li; Chen, Guanliang; Wang, Feng (22 de enero de 2015). "Sistemas de recomendación basados en opiniones de usuarios: el estado del arte". Modelado de usuarios e interacción adaptada al usuario . 25 (2): 99-154. doi : 10.1007 / s11257-015-9155-5 .
- ^ Bobadilla, Jesús; Ortega, Fernando; Hernando, Antonio; Bernal, Jesús (febrero de 2012). "Un enfoque de filtrado colaborativo para mitigar el problema del inicio en frío del nuevo usuario" . Sistemas basados en el conocimiento . 26 : 225-238. doi : 10.1016 / j.knosys.2011.07.021 .
- ^ Bobadilla, J .; Ortega, F .; Hernando, A .; Gutiérrez, A. (julio de 2013). "Encuesta de sistemas de recomendación". Sistemas basados en el conocimiento . 46 : 109-132. doi : 10.1016 / j.knosys.2013.03.012 .
- ^ Zhang, Zi-Ke; Liu, Chuang; Zhang, Yi-Cheng; Zhou, Tao (1 de octubre de 2010). "Resolviendo el problema del arranque en frío en sistemas de recomendación con etiquetas sociales". EPL (Cartas Europhysics) . 92 (2): 28002. arXiv : 1004.3732 . Código Bibliográfico : 2010EL ..... 9228002Z . doi : 10.1209 / 0295-5075 / 92/28002 .
- ^ Huang, Zan; Chen, Hsinchun; Zeng, Daniel (1 de enero de 2004). "Aplicar técnicas de recuperación asociativa para aliviar el problema de la escasez en el filtrado colaborativo". Transacciones ACM sobre sistemas de información . 22 (1): 116-142. CiteSeerX 10.1.1.3.1590 . doi : 10.1145 / 963770.963775 .
- ^ Salter, J .; Antonopoulos, N. (enero de 2006). "Agente de recomendación de CinemaScreen: combinación de filtrado basado en contenido y colaborativo" (PDF) . Sistemas inteligentes IEEE . 21 (1): 35–41. doi : 10.1109 / MIS.2006.4 .
- ^ Burke, Robin (2007). Sistemas de recomendación web híbridos . La Web Adaptativa . Apuntes de conferencias en Ciencias de la Computación. 4321 . págs. 377–408. CiteSeerX 10.1.1.395.8975 . doi : 10.1007 / 978-3-540-72079-9_12 . ISBN 978-3-540-72078-2.
- ^ a b c Cella, Leonardo; Cereda, Stefano; Quadrana, Massimo; Cremonesi, Paolo (2017). Derivación de la relevancia de las características del artículo a partir de interacciones de usuarios anteriores . UMAP '17 Actas de la 25ª Conferencia sobre Modelado, Adaptación y Personalización de Usuarios . págs. 275-279. doi : 10.1145 / 3079628.3079695 . hdl : 11311/1061220 . ISBN 9781450346351.
- ^ Elahi, Mehdi; Ricci, Francesco; Rubens, Neil (2014). Comercio electrónico y tecnologías web . Apuntes de conferencias sobre procesamiento de información empresarial. 188 . Springer International Publishing. págs. 113-124. doi : 10.1007 / 978-3-319-10491-1_12 . ISBN 978-3-319-10491-1.
- ^ Elahi, Mehdi; Ricci, Francesco; Rubens, Neil (2016). "Una encuesta de aprendizaje activo en sistemas de recomendación de filtrado colaborativo" . Revisión de Ciencias de la Computación . 20 : 29–50. doi : 10.1016 / j.cosrev.2016.05.002 - a través de Elsevier.
- ^ a b Andrew I. Schein; Alexandrin Popescul; Lyle H. Ungar; David M. Pennock (2002). Métodos y métricas para las recomendaciones de arranque en frío . Actas de la 25ª Conferencia Anual Internacional ACM SIGIR sobre Investigación y Desarrollo en Recuperación de Información (SIGIR 2002). Ciudad de Nueva York, Nueva York : ACM . págs. 253–260 . ISBN 1-58113-561-0. Consultado el 2 de febrero de 2008 .
- ^ "El proveedor intenta resolver el problema del 'inicio en frío' en las recomendaciones de contenido" (PDF) . Medios móviles : 18. 2007-06-29. Archivado desde el original (PDF) el 21 de noviembre de 2008 . Consultado el 2 de febrero de 2008 .
- ^ Tkalcic, Marko; Chen, Li (2016). "Sistemas de personalidad y recomendación" . En Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación (2ª ed.). Springer EE. UU. doi : 10.1007 / 978-1-4899-7637-6_21 . ISBN 978-1-4899-7637-6.
- ^ Fernández-Tobías, Ignacio; Braunhofer, Matthias; Elahi, Mehdi; Ricci, Francesco; Cantador, Iván (2016). "Aliviar el problema del nuevo usuario en el filtrado colaborativo mediante la explotación de la información de personalidad". Modelado de usuarios e interacción adaptada al usuario . 26 (2-3): 221-255. doi : 10.1007 / s11257-016-9172-z . hdl : 10486/674370 .
- ^ Rubens, Neil; Elahi, Mehdi; Sugiyama, Masashi; Kaplan, Dain (2016). "Aprendizaje activo en sistemas de recomendación" . En Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación (2ª ed.). Springer EE. UU. doi : 10.1007 / 978-1-4899-7637-6_24 . ISBN 978-1-4899-7637-6.
- ^ a b Yezdi Lashkari; Max Metral; Pattie Maes (1994). Agentes de interfaz colaborativa . Actas de la Duodécima Conferencia Nacional de Inteligencia Artificial. Seattle , Washington : AAAI Press . págs. 444–449. ISBN 0-262-61102-3. Consultado el 2 de febrero de 2008 .
- ^ Gantner, Zeno; Drumond, Lucas; Freudenthaler, Cristoph (20 de enero de 2011). 2010 IEEE International Conference on Data Mining . págs. 176-185. CiteSeerX 10.1.1.187.5933 . doi : 10.1109 / ICDM.2010.129 . ISBN 978-1-4244-9131-5.
- ^ Koren, Yehuda; Bell, Robert; Volinsky, Chris (agosto de 2009). "Técnicas de factorización matricial para sistemas de recomendación". Computadora . 42 (8): 30–37. CiteSeerX 10.1.1.147.8295 . doi : 10.1109 / MC.2009.263 .
- ^ Agarwal, Deepak; Chen, Bee-Chung (28 de junio de 2009). Actas de la 15ª conferencia internacional ACM SIGKDD sobre descubrimiento de conocimiento y minería de datos - KDD '09 . ACM. págs. 19-28. doi : 10.1145 / 1557019.1557029 . ISBN 9781605584959.
- ^ Bi, Xuan; Qu, Annie; Wang, Junhui; Shen, Xiaotong (2017). "Un sistema de recomendación para grupos específicos" . Revista de la Asociación Estadounidense de Estadística . 112 (519): 1344-1353.
- ^ Bi, Xuan; Qu, Annie; Shen, Xiaotong (2018). "Factorización de tensor multicapa con aplicaciones a sistemas de recomendación" . Annals of Statistics . 46 (6B): 3303–3333.
- ^ a b Sharma, Mohit; Zhou, Jiayu; Hu, Junling; Karypis, George (2015). Modelo de similitud bilineal factorizado basado en características para la recomendación de artículos Top-n de arranque en frío . Actas de la Conferencia Internacional SIAM 2015 sobre Minería de Datos . págs. 190-198. doi : 10.1137 / 1.9781611974010.22 . ISBN 978-1-61197-401-0.
- ^ Symeonidis, Panagiotis; Nanopoulos, Alexandros; Manolopoulos, Yannis (25 de julio de 2007). Modelo de usuario ponderado por funciones para sistemas de recomendación . Modelado de usuarios 2007 . Apuntes de conferencias en Ciencias de la Computación. 4511 . págs. 97-106. doi : 10.1007 / 978-3-540-73078-1_13 . ISBN 978-3-540-73077-4.
- ^ Rendle, Steffen (1 de mayo de 2012). "Máquinas de factorización con libFM". Transacciones ACM sobre tecnología y sistemas inteligentes . 3 (3): 1–22. doi : 10.1145 / 2168752.2168771 .
- ^ Rendle, Steffen (2010). "Máquinas de factorización". 2010 IEEE International Conference on Data Mining . IEEE. págs. 995–1000. CiteSeerX 10.1.1.393.8529 . doi : 10.1109 / ICDM.2010.127 . ISBN 9781424491315.
- ^ ChenHung-Hsuan; ChenPu (9 de enero de 2019). "Diferenciación de pesos de regularización: un mecanismo simple para aliviar el arranque en frío en sistemas de recomendación". Transacciones de ACM sobre descubrimiento de conocimientos a partir de datos (TKDD) . 13 : 1–22. doi : 10.1145 / 3285954 .
enlaces externos
- http://activeintelligence.org/wp-content/papercite-data/pdf/Rubens-Active-Learning-RecSysHB2010.pdf
- http://activeintelligence.org/research/al-rs/