Lo siguiente está tomado de mi blog aquí: Coursera-Introducción a los sistemas de recomendación: una revisión. Los 3 algoritmos básicos utilizados en los sistemas de recomendación son los siguientes:
1. Recomendaciones no personalizadas
No están personalizados en el sentido de que se les da a todos la misma recomendación (en la mayoría de los casos, un resumen estadístico). Dependen de datos externos de la comunidad (como clasificaciones de películas, clasificaciones de libros, etc.) y generan recomendaciones como ‘best seller’, ‘más populares’, ‘tendencias populares’, etc. También pueden mostrar un resumen de clasificaciones de la comunidad en forma de ‘Me gusta más’. Por ejemplo: clasificaciones de restaurantes de zagat, clasificaciones de cartelera de música, clasificaciones de hotel de Trip Advisor
Otro algoritmo no personalizado muy común es el recomendador de asociación de productos que ofrece recomendaciones en algún contexto, como el emparejamiento de elementos que van bien juntos. Entonces, por ejemplo, es posible que esté comprando un microondas, entonces el recomendante de la asociación de productos le recomendará comprar un recipiente para microondas.
2. Recomendaciones basadas en contenido
En este tipo de algoritmos, los elementos se representan primero por sus atributos (los atributos de los libros pueden ser título, género, autor, etc.). A continuación, se crea un perfil de usuario tomando calificaciones de usuario sobre estos atributos (qué género o autor le gusta más al usuario). Las clasificaciones se pueden tomar de la acción implícita del usuario, como leer, comprar, hacer clic o explícitamente, pidiéndole al usuario que califique los elementos. Este modelo de calificaciones de los usuarios en los atributos del artículo (los perfiles de usuario) se aplica a cualquier artículo nuevo a través de sus atributos para generar recomendaciones. Por ejemplo: noticias personalizadas como Facebook, música de artistas o géneros en pandora, etc.
Una variación particular de esto es el filtrado de contenido basado en casos en el que ciertos casos se crean alrededor de los atributos del elemento en los que se toma la entrada del usuario y luego se genera la recomendación. Es una recomendación de corta duración y específica para la tarea en cuestión. Por ejemplo, para un usuario que busca comprar una computadora portátil, un recomendante puede pedirle información al usuario en casos como ‘cuánto espacio en el disco duro está buscando’, ‘cuánto ram necesita’, ‘de qué color quiere’, qué tamaño de pantalla necesita require ‘, etc. y luego proporcione una lista de las computadoras portátiles recomendadas.
La ventaja de los recomendadores basados en contenido es que funcionan bien incluso sin un gran conjunto de usuarios, solo necesitan datos de elementos.
3. Filtrado colaborativo
El filtrado colaborativo se basa en dos supuestos básicos: 1. Los gustos de los usuarios son estables individualmente o se sincronizan entre sí a lo largo del tiempo y 2. El sistema está dentro de un dominio de acuerdo (los usuarios similares generalmente están de acuerdo en la cohesión en películas o política, etc. )
Hay dos tipos principales de filtrado colaborativo como se muestra a continuación:
La idea básica de un recomendador de filtrado colaborativo usuario-usuario es seleccionar un vecindario de usuarios que sean similares a usted y que representen mejor su gusto (la similitud se calcula a través de la correlación) y luego puntuar varios elementos por ese vecindario de usuarios para generar una recomendación para tú. Una variación del primer paso es seleccionar personas cuyo gusto conozca y confíe. Por ejemplo: Amazon crea su perfil de usuario a través de las calificaciones y compras que ha realizado y luego lo utiliza para calcular la similitud con otros usuarios y, dependiendo de las calificaciones que estos usuarios hayan otorgado en otros artículos, le envía recomendaciones en un correo electrónico de artículos que puede me gusta.
Aquí la similitud se calcula entre los elementos a través de sus clasificaciones. Cuando un usuario califica un artículo en particular, se generan recomendaciones basadas en las recomendaciones de similitud anteriores. Por ejemplo: cuando califica altamente un elemento, Amazon muestra otros elementos que también fueron altamente calificados en ese dominio (películas, libros, etc.).
