Un sistema de recomendación , o un sistema de recomendación (a veces reemplazando 'sistema' con un sinónimo como plataforma o motor), es una subclase de sistema de filtrado de información que busca predecir la "calificación" o "preferencia" que un usuario le daría a un artículo. . [1] [2]
Los sistemas de recomendación se utilizan en una variedad de áreas, con ejemplos comúnmente reconocidos que toman la forma de generadores de listas de reproducción para servicios de video y música, recomendaciones de productos para tiendas en línea o recomendaciones de contenido para plataformas de redes sociales y recomendaciones de contenido web abierto. [3] [4] Estos sistemas pueden operar usando una sola entrada, como música, o múltiples entradas dentro y entre plataformas como noticias, libros y consultas de búsqueda. También existen sistemas de recomendación populares para temas específicos como restaurantes y citas en línea . También se han desarrollado sistemas de recomendación para explorar artículos de investigación y expertos, [5] colaboradores [6] y servicios financieros. [7]
Descripción general
Los sistemas de recomendación suelen hacer uso de uno o ambos filtros colaborativos y filtrado basado en contenido (también conocido como enfoque basado en la personalidad), [8] así como otros sistemas como los sistemas basados en el conocimiento . Los enfoques de filtrado colaborativo construyen un modelo a partir del comportamiento pasado de un usuario (artículos comprados o seleccionados previamente y / o calificaciones numéricas otorgadas a esos artículos), así como decisiones similares tomadas por otros usuarios. Luego, este modelo se utiliza para predecir elementos (o calificaciones de elementos) en los que el usuario puede tener interés. [9] Los enfoques de filtrado basados en contenido utilizan una serie de características discretas y preetiquetadas de un elemento para recomendar elementos adicionales. con propiedades similares. [10] Los sistemas de recomendación actuales normalmente combinan uno o más enfoques en un sistema híbrido.
Las diferencias entre el filtrado colaborativo y el basado en contenido se pueden demostrar comparando dos sistemas de recomendación de música antiguos: Last.fm y Pandora Radio .
- Last.fm crea una "estación" de canciones recomendadas observando qué bandas y pistas individuales ha escuchado el usuario de forma regular y comparándolas con el comportamiento de escucha de otros usuarios. Last.fm reproducirá pistas que no aparecen en la biblioteca del usuario, pero que a menudo son reproducidas por otros usuarios con intereses similares. Dado que este enfoque aprovecha el comportamiento de los usuarios, es un ejemplo de una técnica de filtrado colaborativo.
- Pandora usa las propiedades de una canción o artista (un subconjunto de los 400 atributos proporcionados por Music Genome Project ) para sembrar una "estación" que reproduce música con propiedades similares. La retroalimentación del usuario se usa para refinar los resultados de la estación, restando importancia a ciertos atributos cuando a un usuario "no le gusta" una canción en particular y enfatizando otros atributos cuando a un usuario "le gusta" una canción. Este es un ejemplo de un enfoque basado en contenido.
Cada tipo de sistema tiene sus fortalezas y debilidades. En el ejemplo anterior, Last.fm requiere una gran cantidad de información sobre un usuario para hacer recomendaciones precisas. Este es un ejemplo del problema del arranque en frío y es común en los sistemas de filtrado colaborativo. [11] [12] [13] [14] [15] Mientras que Pandora necesita muy poca información para comenzar, su alcance es mucho más limitado (por ejemplo, solo puede hacer recomendaciones similares a la semilla original).
Los sistemas de recomendación son una alternativa útil a los algoritmos de búsqueda, ya que ayudan a los usuarios a descubrir elementos que de otro modo no habrían encontrado. Es de destacar que los sistemas de recomendación a menudo se implementan utilizando motores de búsqueda que indexan datos no tradicionales.
Los sistemas de recomendación se mencionaron por primera vez en un informe técnico como una "estantería digital" en 1990 por Jussi Karlgren en la Universidad de Columbia, [16] y se implementaron a escala y se trabajaron en informes técnicos y publicaciones desde 1994 en adelante por Jussi Karlgren, luego en SICS, [17] [18] y grupos de investigación dirigidos por Pattie Maes en MIT, [19] Will Hill en Bellcore, [20] y Paul Resnick , también en MIT [21] [22] cuyo trabajo con GroupLens fue galardonado con el ACM Software 2010 Premio de Sistemas .
Montaner proporcionó la primera descripción general de los sistemas de recomendación desde la perspectiva de un agente inteligente. [23] Adomavicius proporcionó una visión general alternativa nueva de los sistemas de recomendación. [24] Herlocker proporciona una descripción general adicional de las técnicas de evaluación para los sistemas de recomendación, [25] y Beel et al. discutió los problemas de las evaluaciones fuera de línea. [26] Beel y col. también han proporcionado encuestas bibliográficas sobre los sistemas de recomendación de trabajos de investigación disponibles y los desafíos existentes. [27] [28] [29]
Los sistemas de recomendación han sido el foco de varias patentes concedidas. [30] [31] [32] [33] [34]
Enfoques
Filtración colaborativa
Un enfoque para el diseño de sistemas de recomendación que tiene un amplio uso es el filtrado colaborativo . [35] El filtrado colaborativo se basa en la suposición de que las personas que estuvieron de acuerdo en el pasado estarán de acuerdo en el futuro y que les gustarán tipos de elementos similares a los que les gustaron en el pasado. El sistema genera recomendaciones utilizando solo información sobre perfiles de calificación para diferentes usuarios o elementos. Al ubicar usuarios / elementos del mismo nivel con un historial de calificación similar al del usuario o elemento actual, generan recomendaciones utilizando este vecindario. Los métodos de filtrado colaborativo se clasifican en basados en memoria y basados en modelos. Un ejemplo bien conocido de enfoques basados en la memoria es el algoritmo basado en el usuario, [36] mientras que el de los enfoques basados en modelos es el Recomendador de asignación de núcleos . [37]
Una ventaja clave del enfoque de filtrado colaborativo es que no se basa en contenido analizable por máquina y, por lo tanto, es capaz de recomendar con precisión elementos complejos, como películas, sin necesidad de "comprender" el elemento en sí. Se han utilizado muchos algoritmos para medir la similitud del usuario o la similitud de elementos en los sistemas de recomendación. Por ejemplo, el enfoque de k vecino más cercano (k-NN) [38] y la correlación de Pearson implementada por primera vez por Allen. [39]
Al construir un modelo a partir del comportamiento de un usuario, a menudo se hace una distinción entre formas explícitas e implícitas de recopilación de datos .
Entre los ejemplos de recopilación de datos explícitos se incluyen los siguientes:
- Pedirle a un usuario que califique un artículo en una escala móvil.
- Pedirle a un usuario que busque.
- Pedirle a un usuario que clasifique una colección de elementos de favoritos a menos favoritos.
- Presentar dos elementos a un usuario y pedirle que elija el mejor de ellos.
- Pedirle a un usuario que cree una lista de los elementos que le gustan (consulte la clasificación de Rocchio u otras técnicas similares).
Entre los ejemplos de recopilación de datos implícitos se incluyen los siguientes:
- Observar los artículos que visualiza un usuario en una tienda online.
- Análisis de los tiempos de visualización de artículos / usuarios. [40]
- Mantener un registro de los artículos que compra un usuario en línea.
- Obtener una lista de elementos que un usuario ha escuchado o visto en su computadora.
- Analizar la red social del usuario y descubrir gustos y disgustos similares.
Los enfoques de filtrado colaborativo a menudo adolecen de tres problemas: arranque en frío , escalabilidad y escasez. [41]
- Arranque en frío : para un nuevo usuario o artículo, no hay datos suficientes para hacer recomendaciones precisas. Nota: una solución comúnmente implementada para este problema es el algoritmo de bandidos de armas múltiples . [42] [11] [12] [13] [15]
- Escalabilidad : en muchos de los entornos en los que estos sistemas hacen recomendaciones, hay millones de usuarios y productos. Por lo tanto, a menudo se necesita una gran cantidad de potencia de cálculo para calcular las recomendaciones.
- Escasa : la cantidad de artículos vendidos en los principales sitios de comercio electrónico es extremadamente grande. Los usuarios más activos solo habrán calificado un pequeño subconjunto de la base de datos general. Por lo tanto, incluso los artículos más populares tienen muy pocas calificaciones.
Uno de los ejemplos más famosos de filtrado colaborativo es el filtrado colaborativo de artículo a artículo (las personas que compran x también compran y), un algoritmo popularizado por el sistema de recomendación de Amazon.com . [43]
Muchas redes sociales utilizaron originalmente el filtrado colaborativo para recomendar nuevos amigos, grupos y otras conexiones sociales al examinar la red de conexiones entre un usuario y sus amigos. [1] El filtrado colaborativo todavía se utiliza como parte de los sistemas híbridos.
Filtrado basado en contenido
Otro enfoque común al diseñar sistemas de recomendación es el filtrado basado en contenido . Los métodos de filtrado basados en contenido se basan en una descripción del elemento y un perfil de las preferencias del usuario. [44] [45] Estos métodos se adaptan mejor a situaciones en las que hay datos conocidos sobre un elemento (nombre, ubicación, descripción, etc.), pero no sobre el usuario. Los recomendadores basados en contenido tratan la recomendación como un problema de clasificación específico del usuario y aprenden un clasificador para los gustos y disgustos del usuario en función de las características de un elemento.
En este sistema, las palabras clave se utilizan para describir los artículos y se crea un perfil de usuario para indicar el tipo de artículo que le gusta a este usuario. En otras palabras, estos algoritmos intentan recomendar elementos que son similares a los que le gustaban a un usuario en el pasado o que está examinando en el presente. No depende de un mecanismo de inicio de sesión de usuario para generar este perfil, a menudo temporal. En particular, se comparan varios elementos candidatos con elementos previamente calificados por el usuario y se recomiendan los elementos que mejor coincidan. Este enfoque tiene sus raíces en la recuperación de información y la investigación de filtrado de información .
Para crear un perfil de usuario , el sistema se centra principalmente en dos tipos de información:
1. Un modelo de preferencia del usuario.
2. Un historial de la interacción del usuario con el sistema de recomendación.
Básicamente, estos métodos utilizan un perfil de artículo (es decir, un conjunto de atributos y características discretos) que caracteriza al artículo dentro del sistema. Para abstraer las características de los elementos en el sistema, se aplica un algoritmo de presentación de elementos. Un algoritmo ampliamente utilizado es la representación tf-idf (también llamada representación del espacio vectorial). [46] El sistema crea un perfil de usuarios basado en el contenido basado en un vector ponderado de características de los elementos. Los pesos denotan la importancia de cada característica para el usuario y se pueden calcular a partir de vectores de contenido clasificados individualmente utilizando una variedad de técnicas. Los enfoques simples usan los valores promedio del vector de elementos calificados, mientras que otros métodos sofisticados usan técnicas de aprendizaje automático como clasificadores bayesianos , análisis de conglomerados , árboles de decisión y redes neuronales artificiales para estimar la probabilidad de que al usuario le guste el elemento. [47]
Un problema clave con el filtrado basado en contenido es si el sistema puede aprender las preferencias del usuario a partir de las acciones de los usuarios con respecto a una fuente de contenido y usarlas en otros tipos de contenido. Cuando el sistema se limita a recomendar contenido del mismo tipo que el usuario ya está usando, el valor del sistema de recomendación es significativamente menor que cuando se pueden recomendar otros tipos de contenido de otros servicios. Por ejemplo, recomendar artículos de noticias basados en la búsqueda de noticias es útil, pero sería mucho más útil cuando se pueden recomendar música, videos, productos, discusiones, etc. de diferentes servicios en función de la búsqueda de noticias. Para superar esto, la mayoría de los sistemas de recomendación basados en contenido ahora usan alguna forma de sistema híbrido.
Los sistemas de recomendación basados en contenido también pueden incluir sistemas de recomendación basados en opiniones. En algunos casos, los usuarios pueden dejar una revisión de texto o comentarios sobre los elementos. Estos textos generados por el usuario son datos implícitos para el sistema de recomendación porque son un recurso potencialmente rico tanto de características / aspectos del artículo como de la evaluación / sentimiento de los usuarios sobre el artículo. Las características extraídas de las revisiones generadas por el usuario son metadatos mejorados de los elementos, porque como también reflejan aspectos del elemento como los metadatos , los usuarios se preocupan ampliamente por las características extraídas. Los sentimientos extraídos de las reseñas se pueden ver como puntuaciones de calificación de los usuarios en las funciones correspondientes. Los enfoques populares del sistema de recomendación basado en opiniones utilizan varias técnicas que incluyen minería de texto , recuperación de información , análisis de sentimientos (ver también Análisis de sentimientos multimodal ) y aprendizaje profundo. [48]
Sistemas de recomendación de criterios múltiples
Los sistemas de recomendación de criterios múltiples (MCRS) se pueden definir como sistemas de recomendación que incorporan información de preferencias sobre múltiples criterios. En lugar de desarrollar técnicas de recomendación basadas en un valor de criterio único, la preferencia general del usuario u por el elemento i, estos sistemas intentan predecir una calificación para elementos no explorados de u explotando la información de preferencia en múltiples criterios que afectan este valor de preferencia general. Varios investigadores abordan MCRS como un problema de toma de decisiones de criterios múltiples (MCDM) y aplican métodos y técnicas MCDM para implementar sistemas MCRS. [49] Consulte este capítulo [50] para obtener una introducción ampliada.
Sistemas de recomendación conscientes de los riesgos
La mayoría de los enfoques existentes para los sistemas de recomendación se centran en recomendar el contenido más relevante a los usuarios utilizando información contextual, pero no tienen en cuenta el riesgo de molestar al usuario con notificaciones no deseadas. Es importante considerar el riesgo de molestar al usuario al presionar recomendaciones en ciertas circunstancias, por ejemplo, durante una reunión profesional, temprano en la mañana o tarde en la noche. Por lo tanto, el desempeño del sistema de recomendación depende en parte del grado en que haya incorporado el riesgo en el proceso de recomendación. Una opción para gestionar este problema es DRARS , un sistema que modela la recomendación contextual como un problema de bandidos . Este sistema combina una técnica basada en contenido y un algoritmo de bandidos contextual. [51]
Sistemas de recomendación móviles
Los sistemas de recomendación móviles utilizan teléfonos inteligentes con acceso a Internet para ofrecer recomendaciones personalizadas y sensibles al contexto. Esta es un área de investigación particularmente difícil, ya que los datos móviles son más complejos que los datos con los que los sistemas de recomendación a menudo tienen que lidiar. Es heterogéneo, ruidoso, requiere autocorrelación espacial y temporal, y tiene problemas de validación y generalidad. [52]
Hay tres factores que podrían afectar los sistemas de recomendación móvil y la precisión de los resultados de la predicción: el contexto, el método de recomendación y la privacidad. [53] Además, los sistemas de recomendación móviles sufren un problema de trasplante: es posible que las recomendaciones no se apliquen en todas las regiones (por ejemplo, no sería prudente recomendar una receta en un área donde es posible que no todos los ingredientes estén disponibles).
Un ejemplo de un sistema de recomendación móvil son los enfoques adoptados por empresas como Uber y Lyft para generar rutas de conducción para los taxistas en una ciudad. [52] Este sistema utiliza datos GPS de las rutas que toman los taxistas mientras trabajan, que incluyen ubicación (latitud y longitud), marcas de tiempo y estado operativo (con o sin pasajeros). Utiliza estos datos para recomendar una lista de puntos de recogida a lo largo de una ruta, con el objetivo de optimizar los tiempos de ocupación y los beneficios.
Sistemas de recomendación híbridos
La mayoría de los sistemas de recomendación ahora utilizan un enfoque híbrido, que combina filtrado colaborativo , filtrado basado en contenido y otros enfoques. No hay ninguna razón por la que no se puedan hibridar varias técnicas diferentes del mismo tipo. Los enfoques híbridos se pueden implementar de varias maneras: haciendo predicciones basadas en contenido y basadas en la colaboración por separado y luego combinándolas; agregando capacidades basadas en contenido a un enfoque basado en la colaboración (y viceversa); o unificando los enfoques en un modelo (ver [24] para una revisión completa de los sistemas de recomendación). Varios estudios que comparan empíricamente el rendimiento del híbrido con los métodos puramente colaborativos y basados en contenido y demostraron que los métodos híbridos pueden proporcionar recomendaciones más precisas que los enfoques puros. Estos métodos también se pueden utilizar para superar algunos de los problemas comunes en los sistemas de recomendación, como el arranque en frío y el problema de la dispersión, así como el cuello de botella de la ingeniería del conocimiento en los enfoques basados en el conocimiento . [54]
Netflix es un buen ejemplo del uso de sistemas de recomendación híbridos. [55] El sitio web hace recomendaciones comparando los hábitos de visualización y búsqueda de usuarios similares (es decir, filtrado colaborativo) y ofreciendo películas que comparten características con películas que un usuario ha calificado altamente (filtrado basado en contenido).
Algunas técnicas de hibridación incluyen:
- Ponderado : Combina numéricamente la puntuación de diferentes componentes de recomendación.
- Switching : Elegir entre los componentes de recomendación y aplicar el seleccionado.
- Mixto : las recomendaciones de diferentes recomendadores se presentan juntas para dar la recomendación.
- Combinación de características: las características derivadas de diferentes fuentes de conocimiento se combinan juntas y se asignan a un solo algoritmo de recomendación.
- Aumento de características : calcular una característica o un conjunto de características, que luego es parte de la entrada a la siguiente técnica.
- Cascada : A los recomendadores se les da una prioridad estricta, y los de menor prioridad rompen empates en la puntuación de los más altos.
- Metanivel : se aplica una técnica de recomendación y produce algún tipo de modelo, que es la entrada utilizada por la siguiente técnica. [56]
Sistemas de recomendación basados en sesiones
Estos sistemas de recomendación utilizan las interacciones de un usuario dentro de una sesión. [57] Los sistemas de recomendación basados en sesiones se utilizan en Youtube [58] y Amazon. [59] Estos son particularmente útiles cuando el historial (como clics pasados, compras) de un usuario no está disponible o no es relevante en la sesión actual. La mayoría de los casos de sistemas de recomendación basados en sesiones se basan en la secuencia de interacciones recientes dentro de una sesión sin requerir ningún detalle adicional (histórico, demográfico) del usuario. Las técnicas para las recomendaciones basadas en sesiones se basan principalmente en modelos secuenciales generativos como Redes neuronales recurrentes, [57] [60] Transformadores, [61] y otros enfoques basados en el aprendizaje profundo [62] [63]
Aprendizaje reforzado para sistemas de recomendación
El problema de recomendación puede verse como un caso especial de un problema de aprendizaje por refuerzo en el que el usuario es el entorno sobre el que actúa el agente, el sistema de recomendación para recibir una recompensa, por ejemplo, un clic o interacción por parte del usuario. [58] [64] [65] Un aspecto del aprendizaje por refuerzo que es de particular utilidad en el área de los sistemas de recomendación es el hecho de que los modelos o políticas se pueden aprender proporcionando una recompensa al agente de recomendación. Esto contrasta con las técnicas de aprendizaje tradicionales que se basan en enfoques de aprendizaje supervisado que son menos flexibles, las técnicas de recomendación de aprendizaje por refuerzo permiten potencialmente entrenar modelos que se pueden optimizar directamente en las métricas de participación e interés del usuario. [66]
El premio Netflix
Uno de los eventos que dinamizó la investigación en sistemas de recomendación fue el Premio Netflix . De 2006 a 2009, Netflix patrocinó una competencia, ofreciendo un gran premio de $ 1,000,000 al equipo que podría tomar un conjunto de datos ofrecido de más de 100 millones de calificaciones de películas y devolver recomendaciones que eran un 10% más precisas que las ofrecidas por el sistema de recomendación existente de la compañía. Esta competencia impulsó la búsqueda de algoritmos nuevos y más precisos. El 21 de septiembre de 2009, se entregó el gran premio de US $ 1.000.000 al equipo Pragmatic Chaos de BellKor utilizando reglas de desempate. [67]
El algoritmo más preciso en 2007 utilizó un método de conjunto de 107 enfoques algorítmicos diferentes, combinados en una sola predicción. Según lo declarado por los ganadores, Bell et al .: [68]
La precisión predictiva mejora sustancialmente cuando se combinan varios predictores. Nuestra experiencia es que la mayoría de los esfuerzos deben concentrarse en derivar enfoques sustancialmente diferentes, en lugar de refinar una sola técnica. En consecuencia, nuestra solución es un conjunto de muchos métodos.
Muchos beneficios se acumularon en la web debido al proyecto de Netflix. Algunos equipos han tomado su tecnología y la han aplicado a otros mercados. Algunos miembros del equipo que terminó en segundo lugar fundaron Gravity R&D , un motor de recomendación activo en la comunidad RecSys. [67] [69] 4-Tell, Inc. creó una solución derivada del proyecto de Netflix para sitios web de comercio electrónico.
Surgieron una serie de problemas de privacidad en torno al conjunto de datos ofrecido por Netflix para la competencia del Premio Netflix . Aunque los conjuntos de datos se anonimizaron con el fin de preservar la privacidad del cliente, en 2007 dos investigadores de la Universidad de Texas pudieron identificar usuarios individuales haciendo coincidir los conjuntos de datos con las clasificaciones de películas en Internet Movie Database. [70] Como resultado, en diciembre de 2009, un usuario anónimo de Netflix demandó a Netflix en Doe v. Netflix, alegando que Netflix había violado las leyes de comercio justo de los Estados Unidos y la Ley de Protección de la Privacidad de Video al liberar los conjuntos de datos. [71] Esto, así como las preocupaciones de la Comisión Federal de Comercio , llevaron a la cancelación de un segundo concurso del Premio Netflix en 2010. [72]
Medidas de desempeño
La evaluación es importante para evaluar la eficacia de los algoritmos de recomendación. Para medir la efectividad de los sistemas de recomendación y comparar diferentes enfoques, se encuentran disponibles tres tipos de evaluaciones : estudios de usuarios, evaluaciones en línea (pruebas A / B) y evaluaciones fuera de línea. [26]
Las métricas más utilizadas son el error cuadrático medio y el error cuadrático medio de la raíz , este último utilizado en el Premio Netflix. Las métricas de recuperación de información, como precisión y recuperación o DCG, son útiles para evaluar la calidad de un método de recomendación. La diversidad, la novedad y la cobertura también se consideran aspectos importantes en la evaluación. [73] Sin embargo, muchas de las medidas clásicas de evaluación son muy criticadas. [74]
Evaluar el rendimiento de un algoritmo de recomendación en un conjunto de datos de prueba fijo siempre será extremadamente desafiante, ya que es imposible predecir con precisión las reacciones de los usuarios reales a las recomendaciones. Por lo tanto, cualquier métrica que calcule la efectividad de un algoritmo en datos fuera de línea será imprecisa.
Los estudios de usuarios son a pequeña escala. A algunas docenas o cientos de usuarios se les presentan recomendaciones creadas por diferentes enfoques de recomendación, y luego los usuarios juzgan qué recomendaciones son las mejores. En las pruebas A / B, las recomendaciones se muestran típicamente a miles de usuarios de un producto real, y el sistema de recomendación selecciona aleatoriamente al menos dos enfoques de recomendación diferentes para generar recomendaciones. La efectividad se mide con medidas implícitas de efectividad como la tasa de conversión o la tasa de clics . Las evaluaciones fuera de línea se basan en datos históricos, por ejemplo, un conjunto de datos que contiene información sobre cómo los usuarios calificaban las películas anteriormente. [75]
La efectividad de los enfoques de recomendación se mide luego en función de qué tan bien un enfoque de recomendación puede predecir las calificaciones de los usuarios en el conjunto de datos. Si bien una calificación es una expresión explícita de si a un usuario le gustó una película, dicha información no está disponible en todos los dominios. Por ejemplo, en el ámbito de los sistemas de recomendación de citas, los usuarios no suelen calificar una cita o un artículo recomendado. En tales casos, las evaluaciones fuera de línea pueden utilizar medidas implícitas de eficacia. Por ejemplo, se puede suponer que un sistema de recomendación es eficaz y puede recomendar tantos artículos como sea posible que estén incluidos en la lista de referencias de un artículo de investigación. Sin embargo, muchos investigadores consideran fundamental este tipo de evaluaciones fuera de línea. [76] [77] [78] [26] Por ejemplo, se ha demostrado que los resultados de las evaluaciones fuera de línea tienen una baja correlación con los resultados de los estudios de usuarios o las pruebas A / B. [78] [79] Se ha demostrado que un conjunto de datos popular para la evaluación fuera de línea contiene datos duplicados y, por lo tanto, conduce a conclusiones erróneas en la evaluación de algoritmos. [80] A menudo, los resultados de las llamadas evaluaciones fuera de línea no se correlacionan con la satisfacción del usuario realmente evaluada. [81] Esto probablemente se deba a que la capacitación fuera de línea está muy sesgada hacia los elementos de alta accesibilidad, y los datos de las pruebas fuera de línea están muy influenciados por los resultados del módulo de recomendación en línea. [76] [82] Los investigadores han concluido que los resultados de las evaluaciones fuera de línea deben considerarse de manera crítica. [83]
Más allá de la precisión
Por lo general, la investigación sobre sistemas de recomendación se preocupa por encontrar los algoritmos de recomendación más precisos. Sin embargo, hay varios factores que también son importantes.
- Diversidad : los usuarios tienden a estar más satisfechos con las recomendaciones cuando hay una mayor diversidad dentro de la lista, por ejemplo, artículos de diferentes artistas. [84] [85]
- Persistencia del recomendante : en algunas situaciones, es más eficaz volver a mostrar las recomendaciones [86] o permitir que los usuarios vuelvan a calificar los elementos [87] que mostrar elementos nuevos. Hay varias razones para esto. Los usuarios pueden ignorar los elementos cuando se muestran por primera vez, por ejemplo, porque no tuvieron tiempo de inspeccionar las recomendaciones detenidamente.
- Privacidad : los sistemas de recomendación suelen tener que ocuparse de cuestiones de privacidad [88] porque los usuarios tienen que revelar información confidencial. La creación de perfiles de usuario mediante el filtrado colaborativo puede resultar problemática desde el punto de vista de la privacidad. Muchos países europeos tienen una fuerte cultura de privacidad de datos , y cada intento de introducir cualquier nivel de perfil de usuario puede resultar en una respuesta negativa del cliente. Se han realizado muchas investigaciones sobre los problemas actuales de privacidad en este espacio. El Premio Netflix es particularmente notable por la información personal detallada que se publica en su conjunto de datos. Ramakrishnan y col. han realizado una amplia descripción general de las compensaciones entre la personalización y la privacidad y han descubierto que la combinación de vínculos débiles (una conexión inesperada que proporciona recomendaciones fortuitas) y otras fuentes de datos se puede utilizar para descubrir las identidades de los usuarios en un conjunto de datos anónimos. [89]
- Datos demográficos de los usuarios : Beel et al. descubrió que los datos demográficos de los usuarios pueden influir en el grado de satisfacción de los usuarios con las recomendaciones. [90] En su artículo, muestran que los usuarios mayores tienden a estar más interesados en las recomendaciones que los usuarios más jóvenes.
- Solidez : cuando los usuarios pueden participar en el sistema de recomendación, se debe abordar el problema del fraude. [91]
- Serendipity - Serendipity es una medida de "cuán sorprendentes son las recomendaciones". [92] [85] Por ejemplo, un sistema de recomendación que recomienda leche a un cliente en una tienda de comestibles puede ser perfectamente preciso, pero no es una buena recomendación porque es un artículo obvio que el cliente debe comprar.
- Confianza : un sistema de recomendación tiene poco valor para un usuario si el usuario no confía en el sistema. [93] La confianza se puede construir mediante un sistema de recomendación explicando cómo genera recomendaciones y por qué recomienda un artículo.
- Etiquetado : la satisfacción del usuario con las recomendaciones puede verse influida por el etiquetado de las recomendaciones. [94] Por ejemplo, en el estudio citado , la tasa de clics (CTR) de las recomendaciones etiquetadas como "Patrocinadas" era más baja (CTR = 5,93%) que la CTR de recomendaciones idénticas etiquetadas como "Orgánicas" (CTR = 8,86%). Las recomendaciones sin etiqueta obtuvieron mejores resultados (CTR = 9,87%) en ese estudio.
Reproducibilidad
Los sistemas de recomendación son notoriamente difíciles de evaluar fuera de línea, y algunos investigadores afirman que esto ha llevado a una crisis de reproducibilidad en las publicaciones de sistemas de recomendación. Una encuesta reciente de una pequeña cantidad de publicaciones seleccionadas que aplican métodos neuronales o de aprendizaje profundo al problema de recomendación top-k, publicada en conferencias importantes (SIGIR, KDD, WWW, RecSys, IJCAI), ha demostrado que, en promedio, menos del 40% de Los autores de la encuesta podían reproducir artículos, con tan solo un 14% en algunas conferencias. En general, los estudios identifican 26 artículos, solo 12 de ellos pudieron ser reproducidos por los autores y 11 de ellos podrían ser superados por líneas de base mucho más antiguas y simples, adecuadamente ajustadas, en métricas de evaluación fuera de línea. Los artículos también destacan una serie de problemas potenciales en la beca de investigación actual y exigen prácticas científicas mejoradas en esa área. [95] [96] [97] Se publicó un artículo similar del mismo grupo sobre sistemas de recomendación con reconocimiento de secuencias. [98] Un trabajo más reciente sobre la evaluación comparativa de un conjunto de los mismos métodos arrojó resultados cualitativamente muy diferentes [99], por lo que se encontró que los métodos neuronales se encuentran entre los métodos de mejor rendimiento. Los métodos neuronales y de aprendizaje profundo para sistemas de recomendación se han utilizado en las soluciones ganadoras en varios desafíos recientes de sistemas de recomendación, WSDM, [100] RecSys Challenge. [101] Además, los métodos de aprendizaje profundo y neuronal se utilizan ampliamente en la industria, donde se prueban ampliamente. [102] [58] [59] El tema de la reproducibilidad no es nuevo en los sistemas de recomendación. Para 2011, Ekstrand, Konstan, et al. criticó que "actualmente es difícil reproducir y ampliar los resultados de la investigación de los sistemas de recomendación" y que las evaluaciones "no se manejan de manera consistente". [103] Konstan y Adomavicius concluyen que "la comunidad de investigación de los sistemas de recomendación se enfrenta a una crisis en la que un número significativo de artículos presentan resultados que contribuyen poco al conocimiento colectivo […] a menudo porque la investigación carece de la […] evaluación para ser juzgada adecuadamente y , por lo tanto, para brindar contribuciones significativas ". [104] Como consecuencia, muchas investigaciones sobre sistemas de recomendación pueden considerarse no reproducibles. [105] Por lo tanto, los operadores de sistemas de recomendación encuentran poca orientación en la investigación actual para responder a la pregunta, qué enfoques de recomendación utilizar en un sistema de recomendación. Said & Bellogín realizaron un estudio de artículos publicados en el campo, así como compararon algunos de los marcos de recomendación más populares y encontraron grandes inconsistencias en los resultados, incluso cuando se utilizaron los mismos algoritmos y conjuntos de datos. [106] Algunos investigadores demostraron que variaciones menores en los algoritmos o escenarios de recomendación condujeron a fuertes cambios en la efectividad de un sistema de recomendación. Concluyen que son necesarias siete acciones para mejorar la situación actual: [105] "(1) estudiar otros campos de investigación y aprender de ellos, (2) encontrar una comprensión común de la reproducibilidad, (3) identificar y comprender los determinantes que afectan la reproducibilidad , (4) realizar experimentos más completos (5) modernizar las prácticas de publicación, (6) fomentar el desarrollo y uso de marcos de recomendación, y (7) establecer pautas de mejores prácticas para la investigación de sistemas de recomendación ".
Ver también
- Sitio de calificación
- Inicio fresco
- Filtración colaborativa
- Inteligencia colectiva
- Plataforma de descubrimiento de contenido
- Marcadores empresariales
- Burbuja de filtro
- Marketing personalizado
- Elicitación de preferencias
- Buscador de productos
- Configurador
- Reconocimiento de patrones
Referencias
- ^ a b Francesco Ricci y Lior Rokach y Bracha Shapira, Introducción al manual de sistemas de recomendación, Manual de sistemas de recomendación, Springer, 2011, págs. 1-35
- ^ "Playboy Lead Rise de los motores de recomendación - TIEMPO" . TIME.com . 27 de mayo de 2010 . Consultado el 1 de junio de 2015 .
- ^ Pankaj Gupta, Ashish Goel, Jimmy Lin, Aneesh Sharma, Dong Wang y Reza Bosagh Zadeh WTF: El sistema a quién seguir en Twitter , Actas de la 22a conferencia internacional en World Wide Web
- ^ Baran, Remigiusz; Dziech, Andrzej; Zeja, Andrzej (1 de junio de 2018). "Una plataforma de descubrimiento de contenido multimedia capaz basada en análisis de contenido visual y enriquecimiento inteligente de datos" . Herramientas y aplicaciones multimedia . 77 (11): 14077–14091. doi : 10.1007 / s11042-017-5014-1 . ISSN 1573-7721 . S2CID 36511631 .
- ^ H. Chen, AG Ororbia II, CL Giles ExpertSeer: un experto recomendante basado en frases clave para bibliotecas digitales , en arXiv preprint 2015
- ^ H. Chen, L. Gou, X. Zhang, C. Giles Collabseer: un motor de búsqueda para el descubrimiento de la colaboración , en la Conferencia conjunta ACM / IEEE sobre bibliotecas digitales (JCDL) 2011
- ^ Alexander Felfernig, Klaus Isak, Kalman Szabo, Peter Zachar, The VITA Financial Services Sales Support Environment , en AAAI / IAAI 2007, págs. 1692-1699, Vancouver, Canadá, 2007.
- ^ Hosein Jafarkarimi; ATH Sim y R. Saadatdoost Un modelo de recomendación ingenuo para grandes bases de datos , Revista Internacional de Tecnología de la Información y la Educación, junio de 2012
- ^ Prem Melville y Vikas Sindhwani, Sistemas de recomendación , Enciclopedia de aprendizaje automático, 2010.
- ^ RJ Mooney y L. Roy (1999). Recomendación de libros basada en contenido usando el aprendizaje para categorizar texto . En Workshop Recom. Sys .: Algo. y Evaluación.
- ^ a b 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 . S2CID 59337456 .
- ^ a b 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 (2 ed.). Springer EE. UU. doi : 10.1007 / 978-1-4899-7637-6_24 . ISBN 978-1-4899-7637-6.
- ^ a b 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 .
- ^ 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). : ACM . págs. 253–260 . ISBN 1-58113-561-0. Consultado el 2 de febrero de 2008 .CS1 maint: varios nombres: lista de autores ( enlace )
- ^ a b 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. doi : 10.1080 / 01621459.2016.1219261 . S2CID 125187672 .
- ^ Karlgren, Jussi. 1990. "Un álgebra para recomendaciones". Documento de trabajo Syslab 179 (1990).
- ^ Karlgren, Jussi. " Agrupación de grupos de noticias basada en el comportamiento del usuario: un álgebra de recomendación ". Informe de investigación SICS (1994).
- ^ Karlgren, Jussi (octubre de 2017). "Una estantería digital: obra original sobre sistemas de recomendación" . Consultado el 27 de octubre de 2017 .
- ^ Shardanand, Upendra y Pattie Maes. " Filtrado de información social: algoritmos para automatizar el" boca a boca " ." En Actas de la conferencia SIGCHI sobre factores humanos en sistemas informáticos, págs. 210-217. Prensa ACM / Addison-Wesley Publishing Co., 1995.
- ^ Hill, Will, Larry Stead, Mark Rosenstein y George Furnas. " Recomendar y evaluar opciones en una comunidad virtual de uso ". En Actas de la conferencia SIGCHI sobre factores humanos en sistemas informáticos, págs. 194-201. Prensa ACM / Addison-Wesley Publishing Co., 1995.
- ^ Resnick, Paul, Neophytos Iacovou, Mitesh Suchak, Peter Bergström y John Riedl. " GroupLens: una arquitectura abierta para el filtrado colaborativo de noticias de red ". En Actas de la conferencia ACM de 1994 sobre trabajo cooperativo apoyado por computadoras, págs. 175-186. ACM, 1994.
- ^ Resnick, Paul y Hal R. Varian. "Sistemas de recomendación". Comunicaciones del ACM 40, no. 3 (1997): 56-58.
- ^ Montaner, M .; López, B .; de la Rosa, JL (junio de 2003). "Una taxonomía de agentes de recomendación en Internet". Revisión de inteligencia artificial . 19 (4): 285–330. doi : 10.1023 / A: 1022850703159 . S2CID 16544257 ..
- ^ a b Adomavicius, G .; Tuzhilin, A. (junio de 2005). "Hacia la próxima generación de sistemas de recomendación: una encuesta sobre el estado del arte y las posibles extensiones" . Transacciones IEEE sobre conocimiento e ingeniería de datos . 17 (6): 734–749. CiteSeerX 10.1.1.107.2790 . doi : 10.1109 / TKDE.2005.99 . S2CID 206742345 ..
- ^ Herlocker, JL; Konstan, JA; Terveen, LG; Riedl, JT (enero de 2004). "Evaluación de sistemas de recomendación de filtrado colaborativo". ACM Trans. Inf. Syst . 22 (1): 5–53. CiteSeerX 10.1.1.78.8384 . doi : 10.1145 / 963770.963772 . S2CID 207731647 ..
- ^ a b c Beel, J .; Genzmehr, M .; Gipp, B. (octubre de 2013). "Un análisis comparativo de evaluaciones en línea y fuera de línea y discusión de la evaluación del sistema de recomendación de papel de investigación" (PDF) . Actas del taller sobre reproducibilidad y replicación en la evaluación de sistemas de recomendación (RepSys) en la Conferencia de sistemas de recomendación ACM (RecSys) .
- ^ Beel, J .; Langer, S .; Genzmehr, M .; Gipp, B .; Breitinger, C. (octubre de 2013). "Evaluación del sistema de recomendación de trabajos de investigación: una encuesta de literatura cuantitativa" (PDF) . Actas del taller sobre reproducibilidad y replicación en la evaluación de sistemas de recomendación (RepSys) en la Conferencia de sistemas de recomendación ACM (RecSys) .
- ^ Beel, J .; Gipp, B .; Langer, S .; Breitinger, C. (26 de julio de 2015). "Sistemas de recomendación de trabajos de investigación: una encuesta de literatura" . Revista Internacional de Bibliotecas Digitales . 17 (4): 305–338. doi : 10.1007 / s00799-015-0156-0 . S2CID 207035184 .
- ^ Waila, P .; Singh, V .; Singh, M. (26 de abril de 2016). "Un análisis cienciométrico de la investigación en sistemas de recomendación" (PDF) . Revista de Investigación Cienciométrica . 5 : 71–84. doi : 10.5530 / jscires.5.1.10 .
- ^ Pila, Charles. " Sistema y método para brindar recomendaciones de bienes y servicios basados en el historial de compras registrado ". Patente de Estados Unidos 7.222.085, expedida el 22 de mayo de 2007.
- ^ Herz, Frederick SM. "Periódicos y anuncios electrónicos personalizados". Patente de Estados Unidos 7.483.871, expedida el 27 de enero de 2009.
- ^ Herz, Frederick, Lyle Ungar, Jian Zhang y David Wachob. " Sistema y método para brindar acceso a los datos utilizando perfiles de clientes ". Patente de Estados Unidos 8.056.100, expedida el 8 de noviembre de 2011.
- ^ Harbick, Andrew V., Ryan J. Snodgrass y Joel R. Spiegel. " Detección basada en listas de reproducción de obras digitales y creadores de obras similares ". Patente de Estados Unidos 8.468.046, expedida el 18 de junio de 2013.
- ^ Linden, Gregory D., Brent Russell Smith y Nida K. Zada. " Detección y exposición automatizadas de relaciones basadas en el comportamiento entre elementos navegables ". Patente de Estados Unidos 9.070.156, expedida el 30 de junio de 2015.
- ^ John S. Breese; David Heckerman y Carl Kadie (1998). Análisis empírico de algoritmos predictivos para filtrado colaborativo . En Actas de la Decimocuarta Conferencia sobre Incertidumbre en inteligencia artificial (UAI'98). arXiv : 1301.7363 .
- ^ Breese, John S .; Heckerman, David; Kadie, Carl (1998). Análisis empírico de algoritmos predictivos para filtrado colaborativo (PDF) (Informe). Investigación de Microsoft.
- ^ Ghazanfar, Mustansar Ali; Prügel-Bennett, Adam; Szedmak, Sandor (15 de noviembre de 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 .
- ^ Sarwar, B .; Karypis, G .; Konstan, J .; Riedl, J. (2000). "Aplicación de la reducción de dimensionalidad en el sistema de recomendación Un caso de estudio" .,
- ^ Allen, RB (1990). "Modelos de usuario: teoría, método, práctica". Estudios Internacionales J. Hombre-Máquina. Cite journal requiere
|journal=
( ayuda ) - ^ Parsons, J .; Ralph, P .; Gallagher, K. (julio de 2004). "Uso del tiempo de visualización para inferir la preferencia del usuario en los sistemas de recomendación". Taller AAAI en Personalización de Web Semántica, San José, California. Cite journal requiere
|journal=
( ayuda ). - ^ Sanghack Lee y Jihoon Yang y Sung-Yong Park, Descubrimiento de similitudes ocultas en el filtrado colaborativo para superar el problema de la escasez , Ciencia del descubrimiento, 2007.
- ^ Felício, Crícia Z .; Paixão, Klérisson VR; Barcelos, Celia AZ; Preux, Philippe (9 de julio de 2017). "Una selección de modelo de bandido de armas múltiples para recomendación de usuario de arranque en frío" . Actas de la 25ª Conferencia sobre Modelado, Adaptación y Personalización de Usuarios . UMAP '17. Bratislava, Eslovaquia: Asociación de Maquinaria de Computación: 32–40. doi : 10.1145 / 3079628.3079681 . ISBN 978-1-4503-4635-1.
- ^ Recomendaciones colaborativas mediante asignaciones de similitud de elemento a elemento Archivado el 16 de marzo de 2015 en Wayback Machine
- ^ Aggarwal, Charu C. (2016). Sistemas de recomendación: el libro de texto . Saltador. ISBN 9783319296579.
- ^ Peter Brusilovsky (2007). La Web Adaptativa . pag. 325 . ISBN 978-3-540-72078-2.
- ^ DH Wang, YC Liang, D.Xu, XY Feng, RC Guan (2018), " Un sistema de recomendación basado en contenido para publicaciones informáticas ", Sistemas basados en el conocimiento , 157: 1-9
- ^ Blanda, Stephanie (25 de mayo de 2015). "Sistemas de recomendación online: ¿cómo sabe un sitio web lo que quiero?" . Sociedad Matemática Estadounidense . Consultado el 31 de octubre de 2016 .
- ^ XY Feng, H. Zhang, YJ Ren, PH Shang, Y. Zhu, YC Liang, RC Guan, D. Xu, (2019), " El sistema de recomendación basado en aprendizaje profundo" Pubmender "para elegir un lugar de publicación biomédica: Estudio de desarrollo y validación ", Journal of Medical Internet Research , 21 (5): e12957
- ^ Lakiotaki, K .; Matsatsinis; Tsoukias, A (marzo de 2011). "Modelado de usuarios multicriterio en sistemas de recomendación". Sistemas inteligentes IEEE . 26 (2): 64–76. CiteSeerX 10.1.1.476.6726 . doi : 10.1109 / mis.2011.33 . S2CID 16752808 .
- ^ Gediminas Adomavicius, Nikos Manouselis, YoungOk Kwon. "Sistemas de recomendación de criterios múltiples" (PDF) . Archivado desde el original (PDF) el 30 de junio de 2014.Mantenimiento de CS1: utiliza el parámetro de autores ( enlace )
- ^ Bouneffouf, Djallel (2013), DRARS, un sistema dinámico de recomendación consciente del riesgo (Ph.D.), Institut National des Télécommunications
- ^ a b Yong Ge; Hui Xiong; Alexander Tuzhilin; Keli Xiao; Marco Gruteser; Michael J. Pazzani (2010). Un sistema de recomendación móvil energéticamente eficiente (PDF) . Actas de la 16ª ACM SIGKDD Int'l Conf. sobre descubrimiento de conocimiento y minería de datos. Ciudad de Nueva York, Nueva York : ACM . págs. 899–908 . Consultado el 17 de noviembre de 2011 .
- ^ Pimenidis, Elias; Polatidis, Nikolaos; Mouratidis, Haralambos (3 de agosto de 2018). "Sistemas de recomendación móviles: identificación de los conceptos principales". Revista de Ciencias de la Información . 45 (3): 387–397. arXiv : 1805.02276 . doi : 10.1177 / 0165551518792213 . S2CID 19209845 .
- ^ Rinke Hoekstra, El cuello de botella de la reingeniería del conocimiento , Web semántica: interoperabilidad, usabilidad, aplicabilidad 1 (2010) 1, IOS Press
- ^ Gómez-Uribe, Carlos A .; Hunt, Neil (28 de diciembre de 2015). "El sistema de recomendación de Netflix" . Transacciones ACM en sistemas de información gerencial . 6 (4): 1–19. doi : 10.1145 / 2843948 .
- ^ Robin Burke, Hybrid Web Recomender Systems Archivado el12 de septiembre de 2014en Wayback Machine , págs. 377-408, The Adaptive Web, Peter Brusilovsky, Alfred Kobsa, Wolfgang Nejdl (Ed.), Lecture Notes in Computer Science, Springer- Verlag, Berlín, Alemania, Lecture Notes in Computer Science, vol. 4321, mayo de 2007, 978-3-540-72078-2.
- ^ a b Hidasi, Balázs; Karatzoglou, Alexandros; Baltrunas, Linas; Tikk, Domonkos (29 de marzo de 2016). "Recomendaciones basadas en sesiones con redes neuronales recurrentes". arXiv : 1511.06939 [ cs.LG ].
- ^ a b c Chen, Minmin; Beutel, Alex; Covington, Paul; Jain, Sagar; Belletti, Francois; Chi, Ed (2018). "Corrección Top-K Off-Policy para un sistema de recomendación REFORZAR". arXiv : 1812.02353 [ cs.LG ].
- ^ a b Yifei, Ma; Narayanaswamy, Balakrishnan; Haibin, Lin; Hao, Ding (2020). "Recomendación temporal-contextual en tiempo real" . KDD '20: Actas de la 26ª Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos . Asociación de Maquinaria de Computación: 2291–2299. doi : 10.1145 / 3394486.3403278 . ISBN 9781450379984. S2CID 221191348 .
- ^ Hidasi, Balázs; Karatzoglou, Alexandros (17 de octubre de 2018). "Redes neuronales recurrentes con ganancias Top-k para recomendaciones basadas en sesiones" . Actas de la 27ª Conferencia Internacional ACM sobre Gestión de la Información y el Conocimiento . CIKM '18. Turín, Italia: Asociación de Maquinaria Informática: 843–852. arXiv : 1706.03847 . doi : 10.1145 / 3269206.3271761 . ISBN 978-1-4503-6014-2. S2CID 1159769 .
- ^ Kang, Wang-Cheng; McAuley, Julian (2018). "Recomendación secuencial auto-atenta". arXiv : 1808.09781 [ cs.IR ].
- ^ Li, Jing; Ren, Pengjie; Chen, Zhumin; Ren, Zhaochun; Lian, Tao; Ma, junio (6 de noviembre de 2017). "Recomendación basada en sesiones atentas neuronales" . Actas de la ACM de 2017 sobre la Conferencia sobre Gestión de la Información y el Conocimiento . CIKM '17. Singapur, Singapur: Asociación de Maquinaria de Computación: 1419-1428. arXiv : 1711.04725 . doi : 10.1145 / 3132847.3132926 . ISBN 978-1-4503-4918-5. S2CID 21066930 .
- ^ Liu, Qiao; Zeng, Yifu; Mokhosi, Refuoe; Zhang, Haibin (19 de julio de 2018). "SELLO: Modelo de prioridad de memoria / atención a corto plazo para recomendación basada en sesiones" . Actas de la 24a Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos . KDD '18. Londres, Reino Unido: Asociación de Maquinaria de Computación: 1831–1839. doi : 10.1145 / 3219819.3219950 . ISBN 978-1-4503-5552-0. S2CID 50775765 .
- ^ Xin, Xin; Karatzoglou, Alexandros; Arapakis, Ioannis; José, Joemon (2020). "Aprendizaje por refuerzo auto-supervisado para sistemas de recomendación". arXiv : 2006.05779 [ cs.LG ].
- ^ Es decir, Eugene; Jain, Vihan; Narvekar, Sanmit; Agarwal, Ritesh; Wu, Rui; Cheng, Heng-Tze; Chandra, Tushar; Boutilier, Craig. "SlateQ: una descomposición manejable para el aprendizaje por refuerzo con conjuntos de recomendaciones" . Actas de la vigésimo octava Conferencia Conjunta Internacional sobre Inteligencia Artificial (IJCAI-19) .
- ^ Zou, Lixin; Xia, Long; Ding, Zhuoye; Song, Jiaxing; Liu, Weidong; Yin, Dawei (2019). "Aprendizaje por refuerzo para optimizar la participación del usuario a largo plazo en sistemas de recomendación" . KDD '19: Actas de la 25ª Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos : 2810–2818. arXiv : 1902.05570 . doi : 10.1145 / 3292500.3330668 . ISBN 9781450362016. S2CID 62903207 .
- ^ a b Lohr, Steve. "Una ganga de investigación de $ 1 millón para Netflix, y tal vez un modelo para otros" . The New York Times .
- ^ R. Bell; Y. Koren; C. Volinsky (2007). "La solución BellKor al Premio Netflix" (PDF) .
- ^ Bodoky, Thomas (6 de agosto de 2009). "Mátrixfaktorizáció un millón de dólares" . Índice .
- ^ Rise of the Netflix Hackers Archivado el 24 de enero de 2012 en Wayback Machine.
- ^ "Netflix derramó su secreto de Brokeback Mountain, demandas judiciales" . CON CABLE . 17 de diciembre de 2009 . Consultado el 1 de junio de 2015 .
- ^ "Actualización de premios de Netflix" . Foro de premios de Netflix. 2010-03-12.
- ^ Lathia, N., Hailes, S., Capra, L., Amatriain, X .: Diversidad temporal en los sistemas de recomendación . En: Actas de la 33ª Conferencia Internacional ACMSIGIR sobre Investigación y Desarrollo en Recuperación de Información, SIGIR 2010, págs. 210–217. ACM, Nueva York
- ^ Turpin, Andrew H, Hersh, William (2001). "Por qué las evaluaciones de lotes y de usuarios no dan los mismos resultados". Actas de la 24ª conferencia anual internacional ACM SIGIR sobre investigación y desarrollo en la recuperación de información . págs. 225–231.CS1 maint: varios nombres: lista de autores ( enlace )
- ^ "Conjunto de datos MovieLens" . 2013-09-06.
- ^ a b ChenHung-Hsuan; ChungChu-An; HuangHsin-Chien; TsuiWen (1 de septiembre de 2017). "Errores comunes en la formación y evaluación de sistemas de recomendación". Boletín de exploración de ACM SIGKDD . 19 : 37–45. doi : 10.1145 / 3137597.3137601 . S2CID 10651930 .
- ^ Jannach, Dietmar; Lerche, Lukas; Gedikli, Fatih; Bonnin, Geoffray (10 de junio de 2013). Carberry, Sandra; Weibelzahl, Stephan; Micarelli, Alessandro; Semeraro, Giovanni (eds.). Modelado, adaptación y personalización de usuarios . Apuntes de conferencias en informática. Springer Berlín Heidelberg. págs. 25 –37. CiteSeerX 10.1.1.465.96 . doi : 10.1007 / 978-3-642-38844-6_3 . ISBN 9783642388439.
- ^ a b Turpin, Andrew H .; Hersh, William (1 de enero de 2001). Por qué las evaluaciones de usuarios y de lotes no dan los mismos resultados . Actas de la 24ª Conferencia Anual Internacional ACM SIGIR sobre Investigación y Desarrollo en Recuperación de Información . SIGIR '01. Nueva York, NY, EE.UU .: ACM. págs. 225–231 . CiteSeerX 10.1.1.165.5800 . doi : 10.1145 / 383952.383992 . ISBN 978-1581133318. S2CID 18903114 .
- ^ Langer, Stefan (14 de septiembre de 2015). "Una comparación de evaluaciones fuera de línea, evaluaciones en línea y estudios de usuarios en el contexto de los sistemas de recomendación de trabajos de investigación". En Kapidakis, Sarantos; Mazurek, Cezary; Werla, Marcin (eds.). Investigación y tecnología avanzada para bibliotecas digitales . Apuntes de conferencias en informática. 9316 . Springer International Publishing. págs. 153-168. doi : 10.1007 / 978-3-319-24592-8_12 . ISBN 9783319245911.
- ^ Basaran, Daniel; Ntoutsi, Eirini; Zimek, Arthur (2017). Actas de la Conferencia Internacional SIAM 2017 sobre Minería de Datos . págs. 390–398. doi : 10.1137 / 1.9781611974973.44 . ISBN 978-1-61197-497-3.
- ^ Beel, Joeran; Genzmehr, Marcel; Langer, Stefan; Nürnberger, Andreas; Gipp, Bela (1 de enero de 2013). Un análisis comparativo de evaluaciones en línea y fuera de línea y discusión de la evaluación del sistema de recomendación de trabajos de investigación . Actas del Taller internacional sobre reproducibilidad y replicación en la evaluación de sistemas de recomendación . RepSys '13. Nueva York, NY, EE.UU .: ACM. págs. 7-14. CiteSeerX 10.1.1.1031.973 . doi : 10.1145 / 2532508.2532511 . ISBN 9781450324656. S2CID 8202591 .
- ^ Cañamares, Rocío; Castells, Pablo (julio de 2018). ¿Debo seguir a la multitud? Un análisis probabilístico de la efectividad de la popularidad en los sistemas de recomendación (PDF) . 41a Conferencia Anual Internacional ACM SIGIR sobre Investigación y Desarrollo en Recuperación de Información (SIGIR 2018). Ann Arbor, Michigan, Estados Unidos: ACM. págs. 415–424. doi : 10.1145 / 3209978.3210014 .
- ^ Cañamares, Rocío; Castells, Pablo ; Moffat, Alistair (marzo de 2020). "Opciones de evaluación sin conexión para sistemas de recomendación" (PDF) . Recuperación de información . Saltador. 23 (4): 387–410. doi : 10.1007 / s10791-020-09371-3 .
- ^ Ziegler, CN, McNee, SM, Konstan, JA y Lausen, G. (2005). "Mejora de las listas de recomendaciones mediante la diversificación de temas". Actas de la 14ª conferencia internacional sobre World Wide Web . págs. 22–32.CS1 maint: varios nombres: lista de autores ( enlace )
- ^ a b 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 ed.). Springer EE. UU. págs. 881–918. doi : 10.1007 / 978-1-4899-7637-6_26 . ISBN 978-1-4899-7637-6.
- ^ Joeran Beel; Stefan Langer; Marcel Genzmehr; Andreas Nürnberger (septiembre de 2013). "Persistencia en los sistemas de recomendación: dar las mismas recomendaciones a los mismos usuarios varias veces" (PDF) . En Trond Aalberg; Milena Dobreva; Christos Papatheodorou; Giannis Tsakonas; Charles Farrugia (eds.). Actas de la XVII Conferencia Internacional sobre Teoría y Práctica de Bibliotecas Digitales (TPDL 2013) . Lecture Notes of Computer Science (LNCS). 8092 . Saltador. págs. 390–394 . Consultado el 1 de noviembre de 2013 .
- ^ Cosley, D., Lam, SK, Albert, I., Konstan, JA, Riedl, {J}. (2003). "¿Ver para creer ?: cómo las interfaces del sistema de recomendación afectan las opiniones de los usuarios" (PDF) . Actas de la conferencia SIGCHI sobre factores humanos en sistemas informáticos . págs. 585–592. S2CID 8307833 .CS1 maint: varios nombres: lista de autores ( enlace )
- ^ {P} u, {P}., {C} hen, {L}., {H} u, {R}. (2012). "Evaluación de los sistemas de recomendación desde la perspectiva del usuario: relevamiento del estado del arte" (PDF) . Modelado de usuario e interacción adaptada al usuario : 1–39.CS1 maint: varios nombres: lista de autores ( enlace )
- ^ Naren Ramakrishnan; Benjamin J. Keller; Batul J. Mirza; Ananth Y. Grama; George Karypis (2001). Riesgos de privacidad en los sistemas de recomendación . Computación por Internet IEEE . 5 . Piscataway, Nueva Jersey: Departamento de Actividades Educativas de IEEE . págs. 54–62 . CiteSeerX 10.1.1.2.2932 . doi : 10.1109 / 4236.968832 . ISBN 978-1-58113-561-9.
- ^ Joeran Beel; Stefan Langer; Andreas Nürnberger; Marcel Genzmehr (septiembre de 2013). "El impacto de la demografía (edad y género) y otras características del usuario en la evaluación de los sistemas de recomendación" (PDF) . En Trond Aalberg; Milena Dobreva; Christos Papatheodorou; Giannis Tsakonas; Charles Farrugia (eds.). Actas de la XVII Conferencia Internacional sobre Teoría y Práctica de Bibliotecas Digitales (TPDL 2013) . Saltador. págs. 400–404 . Consultado el 1 de noviembre de 2013 .
- ^ {K} onstan, {J}. {A}., {R} iedl, {J}. (2012). "Sistemas de recomendación: de los algoritmos a la experiencia del usuario" (PDF) . Modelado de usuarios e interacción adaptada al usuario . 22 (1–2): 1–23. doi : 10.1007 / s11257-011-9112-x . S2CID 8996665 .CS1 maint: varios nombres: lista de autores ( enlace )
- ^ {R} icci, {F}., {R} okach, {L}., {S} hapira, {B}., {K} antor {B}. {PAG}. (2011). "Manual de sistemas de recomendación". Manual de sistemas de recomendación : 1–35. Bibcode : 2011rsh..book ..... R .CS1 maint: varios nombres: lista de autores ( enlace )
- ^ Montaner, Miquel, L {\ 'o} pez, Beatriz, de la Rosa, Josep Llu {\' \ i} s (2002). "Desarrollar la confianza en los agentes de recomendación" . Actas de la primera conferencia conjunta internacional sobre agentes autónomos y sistemas multiagente: parte 1 . págs. 304-305.CS1 maint: varios nombres: lista de autores ( enlace )
- ^ Beel, Joeran, Langer, Stefan, Genzmehr, Marcel (septiembre de 2013). "Recomendaciones patrocinadas versus orgánicas (papel de investigación) y el impacto del etiquetado" (PDF) . En Trond Aalberg; Milena Dobreva; Christos Papatheodorou; Giannis Tsakonas; Charles Farrugia (eds.). Actas de la XVII Conferencia Internacional sobre Teoría y Práctica de Bibliotecas Digitales (TPDL 2013) . págs. 395–399 . Consultado el 2 de diciembre de 2013 .CS1 maint: varios nombres: lista de autores ( enlace )
- ^ Ferrari Dacrema, Maurizio; Boglio, Simone; Cremonesi, Paolo; Jannach, Dietmar (8 de enero de 2021). "Un análisis preocupante de la reproducibilidad y el progreso en la investigación de sistemas de recomendación" . Transacciones ACM sobre sistemas de información . 39 (2): 1–49. arXiv : 1911.07698 . doi : 10.1145 / 3434185 .
- ^ Ferrari Dacrema, Maurizio; Cremonesi, Paolo; Jannach, Dietmar (2019). "¿Realmente estamos haciendo mucho progreso? Un análisis preocupante de enfoques recientes de recomendación neuronal" . Actas de la 13ª Conferencia de ACM sobre sistemas de recomendación . ACM: 101–109. arXiv : 1907.06902 . doi : 10.1145 / 3298689.3347058 . hdl : 11311/1108996 . ISBN 9781450362436. S2CID 196831663 . Consultado el 16 de octubre de 2019 .
- ^ Rendle, Steffen; Krichene, Walid; Zhang, Li; Anderson, John (22 de septiembre de 2020). "Filtrado colaborativo neuronal vs factorización de matriz revisada" . Decimocuarta Conferencia de la ACM sobre sistemas de recomendación : 240–248. doi : 10.1145 / 3383313.3412488 .
- ^ Ludewig, Malte; Mauro, Noemi; Latifi, Sara; Jannach, Dietmar (2019). "Comparación de rendimiento de enfoques neuronales y no neuronales a la recomendación basada en sesiones" . Actas de la 13ª Conferencia de ACM sobre sistemas de recomendación . ACM: 462–466. doi : 10.1145 / 3298689.3347041 . ISBN 9781450362436. Consultado el 16 de octubre de 2019 .
- ^ Sun, Zhu; Yu, Di; Fang, Hui; Yang, Jie; Qu, Xinghua; Zhang, Jie; Geng, Cong. "¿Estamos evaluando rigurosamente? Recomendación de evaluación comparativa para una evaluación reproducible y una comparación justa" . RecSys '20: Decimocuarta Conferencia ACM sobre Sistemas de Recomendación . ACM.
- ^ Schifferer, Benedikt; Deotte, Chris; Puget, Jean-François; de Souza Pereira, Gabriel; Titericz, Gilberto; Liu, Jiwei; Ak, Ronay. "Uso del aprendizaje profundo para ganar el desafío WSDM WebTour21 de Booking.com sobre recomendaciones secuenciales" (PDF) . WSDM '21: Conferencia ACM sobre búsqueda web y minería de datos . ACM.
- ^ Volkovs, Maksims; Rai, Himanshu; Cheng, Zhaoyue; Wu, Ga; Lu, Yichao; Sanner, Scott. "Modelo de dos etapas para la continuación automática de la lista de reproducción a escala" . RecSys '18: Decimocuarta Conferencia ACM sobre Sistemas de Recomendación . ACM.
- ^ Yves Raimond, Justin Basilico Deep Learning para sistemas de recomendación , Deep Learning Re-Work SF Summit 2018
- ^ Ekstrand, Michael D .; Ludwig, Michael; Konstan, Joseph A .; Riedl, John T. (1 de enero de 2011). Repensar el ecosistema de investigación de recomendación: reproducibilidad, apertura y LensKit . Actas de la Quinta Conferencia ACM sobre Sistemas de Recomendación . RecSys '11. Nueva York, NY, EE.UU .: ACM. págs. 133–140. doi : 10.1145 / 2043932.2043958 . ISBN 9781450306836. S2CID 2215419 .
- ^ Konstan, Joseph A .; Adomavicius, Gediminas (1 de enero de 2013). Hacia la identificación y adopción de mejores prácticas en la investigación de sistemas de recomendación algorítmica . Actas del Taller internacional sobre reproducibilidad y replicación en la evaluación de sistemas de recomendación . RepSys '13. Nueva York, NY, EE.UU .: ACM. págs. 23-28. doi : 10.1145 / 2532508.2532513 . ISBN 9781450324656. S2CID 333956 .
- ^ a b Breitinger, Corinna; Langer, Stefan; Lommatzsch, Andreas; Gipp, Bela (12 de marzo de 2016). "Hacia la reproducibilidad en la investigación de sistemas de recomendación" . Modelado de usuarios e interacción adaptada al usuario . 26 (1): 69–101. doi : 10.1007 / s11257-016-9174-x . ISSN 0924-1868 . S2CID 388.764 .
- ^ Dijo, Alan; Bellogín, Alejandro (1 de octubre de 2014). Evaluación comparativa del sistema de recomendación: marcos de recomendación de evaluación comparativa . Actas de la 8ª Conferencia ACM sobre sistemas de recomendación . RecSys '14. Nueva York, NY, EE.UU .: ACM. págs. 129-136. doi : 10.1145 / 2645710.2645746 . hdl : 10486/665450 . ISBN 9781450326681. S2CID 15665277 .
Otras lecturas
- Libros
Kim Falk (enero de 2019), Sistemas prácticos de recomendación, Publicaciones Manning, ISBN 9781617292705
- Bharat Bhasker; K. Srikumar (2010). Sistemas de recomendación en comercio electrónico . TAZA. ISBN 978-0-07-068067-8. Archivado desde el original el 1 de septiembre de 2010.
- Francesco Ricci; Lior Rokach; Bracha Shapira; Paul B. Kantor, eds. (2011). Manual de sistemas de recomendación . Saltador. ISBN 978-0-387-85819-7.
- Bracha Shapira; Lior Rokach (junio de 2012). Creación de sistemas de recomendación eficaces . ISBN 978-1-4419-0047-0. Archivado desde el original el 1 de mayo de 2014.
- Dietmar Jannach; Markus Zanker; Alexander Felfernig; Gerhard Friedrich (2010). Sistemas de recomendación: una introducción . TAZA. ISBN 978-0-521-49336-9. Archivado desde el original el 31 de agosto de 2015.
- Artículos científicos
- Prem Melville, Raymond J. Mooney y Ramadass Nagarajan. (2002) Filtrado colaborativo de contenido potenciado para recomendaciones mejoradas. Actas de la Decimoctava Conferencia Nacional sobre Inteligencia Artificial (AAAI-2002), págs. 187-192, Edmonton, Canadá, julio de 2002.
- Frank Meyer. (2012), Sistemas de recomendación en contextos industriales. Impresiones electrónicas ArXiv.
- Bouneffouf, Djallel (2012), "Siguiendo los intereses del usuario en los sistemas móviles de recomendación sensibles al contexto: el algoritmo híbrido e-codicioso", Actas de la 26ª Conferencia Internacional de 2012 sobre Red de información avanzada y talleres de aplicaciones (PDF) , Notas de la conferencia en Ciencias de la computación, IEEE Computer Society, págs. 657–662, ISBN 978-0-7695-4652-0, archivado desde el original (PDF) el 14 de mayo de 2014. [ enlace muerto ]
- Bouneffouf, Djallel (2013), DRARS, un sistema dinámico de recomendación consciente del riesgo (Ph.D.), Institut National des Télécommunications.
enlaces externos
- Robert M. Bell; Jim Bennett; Yehuda Koren y Chris Volinsky (mayo de 2009). "El premio de programación del millón de dólares" . Espectro IEEE . Archivado desde el original el 11 de mayo de 2009 . Consultado el 10 de diciembre de 2018 .
- Hangartner, Rick, "¿Qué es la industria de recomendaciones?" , MSearchGroove, 17 de diciembre de 2007.
- Conferencia ACM sobre sistemas de recomendación
- Grupo Recsys en el Politecnico di Milano
- Ciencia de datos: datos a conocimientos del MIT (sistemas de recomendación)