Un sistema de recomendación híbrido.
Los recomendadores basados en colaboración solo pueden predecir la puntuación de un elemento si hay otros usuarios que lo han calificado. En caso de escasez en las interacciones entre usuarios y elementos, el enfoque de CF con frecuencia no es posible. Existe un conjunto de otras técnicas que pueden hacer predicciones sobre cualquier elemento sin requerir el conocimiento de la interacción usuario-elemento:
Métodos de predicción de referencia
Métodos de predicción de referencia use el valor de calificación promedio de todas las calificaciones para hacer predicciones. Le permite clasificar los elementos como interesantes o no interesantes en general.
- Tengo una oferta de Qualcomm y una oferta postdoc de CMU. Trabajo en visión artificial / aprendizaje automático. ¿Qué tengo que hacer?
- ¿Hay alguna empresa india que trabaje con IA y aprendizaje automático? En caso afirmativo, ¿en qué campo y en qué se diferencia de otros en ese campo?
- Cómo implementar el reconocimiento de imágenes para crear una aplicación para organizar imágenes
- ¿Qué es el análisis de componentes principales en términos de super laicos?
- ¿Por qué hay tantas preguntas sobre Machine Learning en Quora?
Fig. 1. Predicción de referencia en la imagen
Estos métodos son útiles para el procesamiento previo y la normalización de datos para su uso con algoritmos más sofisticados como la factorización matricial, como ya lo señaló Eric Daoud en una de las respuestas anteriores. Los algoritmos de línea de base que no dependen de las calificaciones del usuario también pueden ser útiles para proporcionar predicciones para nuevos usuarios. Estos métodos establecen en general recomendaciones no personalizadas.
Filtrado basado en el conocimiento.
Una fortaleza importante de los sistemas de recomendación basados en el conocimiento es la inexistencia de problemas de arranque en frío y problemas de escasez en la matriz de utilidad del elemento del usuario.
Fig. 2. Filtrado basado en el conocimiento: matriz de utilidades de elementos de usuario = Características del usuario X Características de elementos
La ventaja es que no necesita ninguna interacción del usuario para construirlo. Sin embargo, el filtrado basado en el conocimiento requiere conocimiento específico del dominio y necesita ingeniería personalizada para cada dominio problemático.
A continuación, puede utilizar técnicas de hibridación mixtas para generar un conjunto independiente de recomendaciones y combinarlas con las predicciones del sistema de recomendaciones basadas en el filtrado colaborativo. La arquitectura más sencilla para un sistema híbrido es ponderada. Los ítems dados son calificados por separado por ambos recomendadores incorporados, mientras que el resultado final es una combinación lineal de los resultados intermedios.
Usuario / agrupación de elementos Filtrado basado en el conocimiento
Los usuarios / elementos se agrupan en grupos según las metainformaciones de similitud (edad, género, etc.). Para cada grupo, se calcula una calificación promedio del elemento de grupo. Si tiene algún espacio de elemento X / elemento de usuario, entonces comience eligiendo n usuarios o elementos que se clasifican con frecuencia como los anclajes y luego ejecute una agrupación de vecindario codicioso en el espacio de características X.
Luego puede usar una técnica de Conmutación: si su sistema basado en Filtrado Colaborativo no puede producir recomendaciones con alta confianza, entonces usa el sistema que funciona en grupos de usuarios / elementos. Sin embargo, este método supone que se dispone de algún criterio de conmutación confiable.
Sergio Gandola: Gracias por preguntar. Si tiene más preguntas, puede contactarme directamente en adrianbarwicki.com/contact.
Para obtener más información, recomendaría los Sistemas de recomendación: el libro de texto.