Filtrado basado en contenido : el motor de recomendación basado en contenido funciona con perfiles de usuarios existentes. Un perfil tiene información sobre un usuario y sus gustos. El gusto se basa en la calificación del usuario para diferentes artículos. En general, cada vez que un usuario crea su perfil, el motor de recomendaciones realiza una encuesta para obtener información inicial sobre el usuario a fin de evitar nuevos problemas. En el proceso de recomendación, el motor compara los elementos que el usuario ya calificó positivamente con los elementos que no calificó y busca similitudes. Se recomendarán al usuario elementos similares a los de calificación positiva. Aquí, según el gusto y el comportamiento del usuario, se puede construir un modelo basado en el contenido recomendando artículos relevantes para el gusto del usuario. Tal modelo es eficiente y personalizado, pero le falta algo.
Comprendamos esto con un ejemplo. Suponga que hay cuatro categorías de noticias A) Política B) Deportes C) Entretenimiento D) Tecnología y hay un usuario A que ha leído artículos relacionados con Tecnología y Política. El motor de recomendaciones basado en contenido solo recomendará artículos relacionados con estas categorías y puede que nunca recomiende nada en otras categorías, ya que el usuario nunca ha visto esos artículos antes. Este problema se puede resolver utilizando otra variante del algoritmo de recomendación conocido como Collaborative Filtering.
- ¿Es el aprendizaje automático el único campo de IA de interés para la academia y la industria?
- ¿La agrupación es indispensable en el aprendizaje profundo?
- Cómo obtener la distribución de probabilidad de clases con píxeles que son 0 o 255
- ¿Puede el aprendizaje automático diagnosticar el autismo?
- ¿Cuál es un buen tutorial breve para usar el aprendizaje profundo para tareas de reconocimiento de imágenes?
Filtrado colaborativo: la idea del filtrado colaborativo es encontrar usuarios en una comunidad que compartan apreciaciones. Si dos usuarios tienen elementos iguales o casi iguales en común, entonces tienen un gusto similar. Dichos usuarios construyen un grupo o un llamado vecindario. Un usuario obtiene recomendaciones para aquellos elementos que el usuario no ha calificado antes, pero que los usuarios de su vecindario lo calificaron positivamente.
El filtrado colaborativo tiene básicamente dos enfoques:
- Enfoque basado en el usuario
En este enfoque, los elementos que se recomiendan a un usuario se basan en una evaluación de elementos por parte de usuarios del mismo vecindario, con quienes comparte preferencias comunes. Si la comunidad calificó positivamente el artículo, se lo recomendará al usuario. En el enfoque basado en el usuario, los artículos que ya han sido calificados por un usuario, juegan un papel importante en la búsqueda de un grupo que comparta apreciaciones con él / ella. - Enfoque basado en artículos
Refiriéndose al hecho de que el gusto de los usuarios permanece constante o cambia muy ligeramente, artículos similares construyen vecindarios basados en las apreciaciones de los usuarios. Posteriormente, el sistema genera recomendaciones con artículos en el vecindario que un usuario podría preferir.
UNA El Sistema de recomendación también puede utilizar una combinación de los dos enfoques anteriores, es decir, un enfoque híbrido .