Una parte clave en la recomendación de contenido es que el usuario tiene un interés a largo plazo en ciertas categorías y un interés a corto plazo en los acontecimientos recientes. El interés a corto plazo del usuario sobre algún evento reciente puede tratarse recomendando el artículo de tendencias en función del recuento de vistas dentro de un marco de tiempo particular. En lo que respecta al interés a largo plazo del usuario , la recomendación puede hacerse sobre la base del comportamiento y las preferencias del usuario. Para este propósito, el filtrado basado en contenido y las técnicas de filtrado colaborativo se utilizan para generar la recomendación.
El filtrado basado en contenido busca artículos que son similares en función de las etiquetas asignadas a cada artículo. A cada artículo se le asignan pesos en función de la frecuencia de los términos y la frecuencia de documentos inversa de cada etiqueta. Después de esto, se calcula la probabilidad del usuario de leer un artículo.
Por otro lado, el filtrado colaborativo utiliza la correlación entre los artículos sobre la base de las calificaciones otorgadas al artículo por diferentes usuarios.
- ¿Debería considerarse un experto en aprendizaje automático después de completar la clase de ML del profesor Andrew en Coursera?
- ¿Tendrán alguna coincidencia los modelos gráficos probabilísticos y el aprendizaje profundo?
- ¿Es necesario un MS o PhD en Machine Learning para trabajar en este campo en alguna empresa?
- ¿Cuáles son los pros y los contras de Spark MLlib vs. H2O?
- ¿Cuál es la diferencia entre la taxonomía automática y la generación de clasificación?
La desventaja del filtrado basado en contenido es que conduce a una especialización excesiva, es decir, el artículo recomendado es similar al artículo ya leído y puede no ser útil para el usuario. Este método no utiliza la información de interacción entre usuarios para generar recomendaciones.
El filtrado colaborativo se basa en preferencias anteriores o en la correlación de calificaciones entre usuarios. Sin embargo, esta técnica puede conducir a malas predicciones si el artículo es impopular y muy pocos usuarios han dado su opinión sobre ellos.
Para superar estas dificultades, se propone un modelo híbrido que tiene en cuenta todos los aspectos posibles que contribuyen a hacer la recomendación más relevante para el usuario.
Haga clic aquí para descargar nuestro trabajo de investigación para hacer un motor de recomendación híbrido
Además, comuníquese con nosotros para obtener más información sobre inteligencia artificial (IA), aprendizaje automático (ML), historias relacionadas con análisis en: Blog, estudios de casos, documentos de investigación