Aprendizaje automático: ¿es el enfoque descrito a continuación una buena forma de evaluar la calidad de las recomendaciones basadas en comentarios implícitos?

Su idea tiene algunas buenas propiedades:

1. Mide un comportamiento que está plausiblemente alineado con el objetivo del proyecto. Si muchos usuarios que miran A a menudo miran B, es posible que a los usuarios que les gusta A también les guste B (aunque esa no es la única explicación posible).

2. Utiliza una fórmula matemática estándar (precisión y recuperación). Tiene un conjunto de eventos relevantes (co-visitas) y tiene una forma de recuperarlos (membresía en las recomendaciones de su modelo). Su fórmula de “precisión de recuperación” mide la fracción de instancias relevantes que se recuperan, por lo que es una métrica de recuperación.

Algunos posibles problemas con su idea:

1. ¿Cómo mediría la precisión, la fracción de instancias recuperadas que son relevantes? La precisión y el recuerdo son un par inseparable: si solo optimizas para uno, obtendrás un sistema trivial e inútil. Un sistema que recomienda todos los pares posibles tiene un recuerdo perfecto y una precisión terrible. Su métrica necesita informar eso.

Podrías tomar la precisión como la fracción de pares recomendados que tienen al menos una visita conjunta, pero ¿no importa el número de visitas conjuntas? ¿No es extraño que su precisión se base en una escala binaria y que la recuperación se base en una escala de conteo?

Si los pares pronosticados también vinieron con un número que mide cuán fuertemente están relacionados, entonces podría comparar la relación predicha con la relación real (esta última se mide por las co-visitas observadas).

2. Su métrica de recuperación es esencialmente una relación de conteo. Entonces, si el recuento de visitas conjuntas varía mucho en función de los pares de productos, por ejemplo, algunos tienen millones de visitas, y hay una larga cola de pares con un número pequeño de visitas, su métrica de recuerdo podría poner un énfasis excesivo en pares altamente visitados. Si esto es un problema, quizás podría aplicar una transformación como sqrt o log que comprima el rango dinámico del recuento de visitas, poniendo más énfasis en los productos menos visitados.

No llamaría a eso “Aprendizaje automático”, básicamente desarrollarás un software determinista que no evolucionará con respecto a las entradas. Es más bien un algoritmo de recomendación que un algoritmo de aprendizaje automático.

Sin embargo, su idea es bastante buena y creo que funcionará bien si su conjunto de datos no es demasiado grande.

Hay otras formas de encontrar la mejor recomendación para un producto, pero es mucho más complicado (implementar).

Por ejemplo, podría utilizar un algoritmo de aprendizaje no supervisado para clasificar sus productos. Luego, muestre la recomendación según la clase de productos que su usuario haya navegado recientemente. Para hacer eso, una red neuronal, un mapa precisamente autoorganizado o una teoría de resonancia adaptativa sería suficiente.

Amazon utiliza un algoritmo de filtrado colaborativo de elemento a elemento, mientras que el suyo es más bien un algoritmo de filtrado colaborativo de usuario a usuario. Se convertirá en un problema cuando tenga más usuarios que productos, pero al menos algunas de sus recomendaciones no serán “obvias”.

Hay más información sobre la patente del algoritmo de Amazon, patente US6266649: recomendaciones de colaboración que utilizan mapeos de similitud de artículo a artículo.

Una imagen de Wikipedia para ilustrar lo que está tratando de hacer.

Puedes tomar este curso en Udemy: está en aprendizaje automático para sistemas de recomendación. Explica cómo Machine Learning ayuda a Amazon, Facebook, Netflix, LinkedIn, etc., a darle recomendaciones.
https://www.udemy.com/learn-how- …