stringtranslate.com

Sistema de recomendación

Un sistema de recomendación , o sistema de recomendación (que a veces reemplaza "sistema" con términos como "plataforma", "motor" o "algoritmo"), es una subclase de sistema de filtrado de información que proporciona sugerencias de elementos que son más pertinentes para un usuario concreto. [1] [2] Los sistemas de recomendación son particularmente útiles cuando un individuo necesita elegir un artículo entre una cantidad potencialmente abrumadora de artículos que un servicio puede ofrecer. [1] [3]

Normalmente, las sugerencias se refieren a diversos procesos de toma de decisiones, como qué producto comprar, qué música escuchar o qué noticias en línea leer. [1] Los sistemas de recomendación se utilizan en una variedad de áreas, con ejemplos comúnmente reconocidos que toman la forma de generadores de listas de reproducción para servicios de video y música, recomendadores de productos para tiendas en línea o recomendadores de contenido para plataformas de redes sociales y recomendadores de contenido web abierto. [4] [5] Estos sistemas pueden funcionar utilizando un solo tipo de entrada, como música, o múltiples entradas dentro y entre plataformas como noticias, libros y consultas de búsqueda. También existen sistemas de recomendación populares para temas específicos como restaurantes y citas en línea . También se han desarrollado sistemas de recomendación para explorar artículos de investigación y expertos, [6] colaboradores, [7] y servicios financieros. [8]

Descripción general

Los sistemas de recomendación generalmente utilizan filtrado colaborativo y filtrado basado en contenido (también conocido como enfoque basado en la personalidad), así como otros sistemas como los sistemas basados ​​en el conocimiento . Los enfoques de filtrado colaborativo construyen un modelo a partir del comportamiento pasado de un usuario (artículos previamente comprados o seleccionados y/o calificaciones numéricas dadas a esos artículos), así como decisiones similares tomadas por otros usuarios. Luego, este modelo se utiliza para predecir elementos (o calificaciones de elementos) que pueden interesarle al usuario. [9] Los enfoques de filtrado basados ​​en contenido utilizan una serie de características discretas y preetiquetadas de un elemento para recomendar elementos adicionales. con propiedades similares. [10]

Podemos demostrar las diferencias entre el filtrado colaborativo y el filtrado basado en contenido comparando dos sistemas de recomendación de música antigua: Last.fm y Pandora Radio .

Cada tipo de sistema tiene sus fortalezas y debilidades. En el ejemplo anterior, Last.fm requiere una gran cantidad de información sobre un usuario para hacer recomendaciones precisas. Este es un ejemplo del problema del arranque en frío y es común en los sistemas de filtrado colaborativo. [12] [13] [14] [15] [16] [17] Mientras que Pandora necesita muy poca información para comenzar, su alcance es mucho más limitado (por ejemplo, solo puede hacer recomendaciones similares a las de la semilla original). ).

Los sistemas de recomendación son una alternativa útil a los algoritmos de búsqueda , ya que ayudan a los usuarios a descubrir elementos que de otro modo no habrían encontrado. Es de destacar que los sistemas de recomendación a menudo se implementan utilizando motores de búsqueda que indexan datos no tradicionales.

Los sistemas de recomendación han sido el foco de varias patentes concedidas. [18] [19] [20] [21] [22]

Historia

Elaine Rich creó el primer sistema de recomendación en 1979, llamado Grundy. [23] [24] Buscó una manera de recomendar a los usuarios libros que pudieran gustarles. Su idea era crear un sistema que haga preguntas específicas a los usuarios y los clasifique en clases de preferencias o "estereotipos", según sus respuestas. Dependiendo del estereotipo de membresía de los usuarios, recibirían recomendaciones de libros que podrían gustarles.

Otro de los primeros sistemas de recomendación, llamado "estantería digital", fue descrito en un informe técnico de 1990 por Jussi Karlgren en la Universidad de Columbia, [25] e implementado a escala y trabajado en informes técnicos y publicaciones desde 1994 en adelante por Jussi Karlgren, entonces en SICS , [26] [27] y grupos de investigación liderados por Pattie Maes en el MIT, [28] Will Hill en Bellcore, [29] y Paul Resnick , también en el MIT [30] [3] cuyo trabajo con GroupLens fue galardonado con el premio 2010. Premio Sistemas de Software ACM .

Montaner proporcionó la primera visión general de los sistemas de recomendación desde la perspectiva de un agente inteligente. [31] Adomavicius proporcionó una descripción general nueva y alternativa de los sistemas de recomendación. [32] Herlocker proporciona una descripción general adicional de las técnicas de evaluación para sistemas de recomendación, [33] y Beel et al. discutió los problemas de las evaluaciones fuera de línea. [34] Beel et al. También han proporcionado estudios de literatura sobre los sistemas de recomendación de artículos de investigación disponibles y los desafíos existentes. [35] [36]

Enfoques

Filtración colaborativa

Un ejemplo de filtrado colaborativo basado en un sistema de calificación

Un enfoque para el diseño de sistemas de recomendación que se utiliza ampliamente es el filtrado colaborativo . [37] El filtrado colaborativo se basa en el supuesto de que las personas que estuvieron de acuerdo en el pasado estarán de acuerdo en el futuro y que les gustarán tipos de elementos similares a los que les gustaron en el pasado. El sistema genera recomendaciones utilizando únicamente información sobre perfiles de calificación para diferentes usuarios o artículos. Al localizar usuarios/elementos pares con un historial de calificación similar al del usuario o elemento actual, generan recomendaciones utilizando este vecindario. Los métodos de filtrado colaborativo se clasifican en basados ​​en memoria y basados ​​en modelos. Un ejemplo bien conocido de enfoques basados ​​en memoria es el algoritmo basado en el usuario, [38] mientras que el de los enfoques basados ​​en modelos es la factorización matricial (sistemas de recomendación) . [39]

Una ventaja clave del enfoque de filtrado colaborativo es que no depende de contenido analizable por máquina y, por lo tanto, es capaz de recomendar con precisión elementos complejos, como películas, sin necesidad de "comprender" el elemento en sí. Se han utilizado muchos algoritmos para medir la similitud de usuarios o la similitud de elementos en sistemas de recomendación. Por ejemplo, el enfoque k-vecino más cercano (k-NN) [40] y la correlación de Pearson implementada por primera vez por Allen. [41]

Al construir un modelo a partir del comportamiento de un usuario, a menudo se hace una distinción entre formas explícitas e implícitas de recopilación de datos .

Ejemplos de recopilación de datos explícita incluyen los siguientes:

Ejemplos de recopilación de datos implícita incluyen los siguientes:

Los enfoques de filtrado colaborativo suelen sufrir tres problemas: arranque en frío , escalabilidad y escasez. [43]

Uno de los ejemplos más famosos de filtrado colaborativo es el filtrado colaborativo de artículo a artículo (las personas que compran x también compran y), un algoritmo popularizado por el sistema de recomendación de Amazon.com . [45]

Muchas redes sociales utilizaban originalmente filtrado colaborativo para recomendar nuevos amigos, grupos y otras conexiones sociales examinando la red de conexiones entre un usuario y sus amigos. [1] El filtrado colaborativo todavía se utiliza como parte de los sistemas híbridos.

Filtrado basado en contenido

Otro enfoque común al diseñar sistemas de recomendación es el filtrado basado en contenido . Los métodos de filtrado basados ​​en contenido se basan en una descripción del elemento y un perfil de preferencias del usuario. [46] [47] Estos métodos se adaptan mejor a situaciones en las que hay datos conocidos sobre un elemento (nombre, ubicación, descripción, etc.), pero no sobre el usuario. Los recomendadores basados ​​en contenido tratan la recomendación como un problema de clasificación específico del usuario y aprenden un clasificador para lo que le gusta y no le gusta en función de las características de un elemento.

En este sistema, se utilizan palabras clave para describir los artículos y se crea un perfil de usuario para indicar el tipo de artículo que le gusta a este usuario. En otras palabras, estos algoritmos intentan recomendar elementos similares a los que le gustaron a un usuario en el pasado o que está examinando en el presente. No depende de un mecanismo de inicio de sesión del usuario para generar este perfil, a menudo temporal. En particular, se comparan varios elementos candidatos con elementos previamente calificados por el usuario y se recomiendan los elementos que mejor coinciden. Este enfoque tiene sus raíces en la investigación de recuperación y filtrado de información .

Para crear un perfil de usuario , el sistema se centra principalmente en dos tipos de información:

  1. Un modelo de preferencia del usuario.
  2. Un historial de la interacción del usuario con el sistema de recomendación.

Básicamente, estos métodos utilizan un perfil de artículo (es decir, un conjunto de atributos y características discretos) que caracteriza el artículo dentro del sistema. Para abstraer las características de los elementos del sistema, se aplica un algoritmo de presentación de elementos. Un algoritmo ampliamente utilizado es la representación tf-idf (también llamada representación en el espacio vectorial). [48] ​​El sistema crea un perfil de usuarios basado en contenido basado en un vector ponderado de características del artículo. Las ponderaciones denotan la importancia de cada característica para el usuario y se pueden calcular a partir de vectores de contenido clasificados individualmente utilizando una variedad de técnicas. Los enfoques simples utilizan los valores promedio del vector del artículo calificado, mientras que otros métodos sofisticados usan técnicas de aprendizaje automático como clasificadores bayesianos , análisis de conglomerados , árboles de decisión y redes neuronales artificiales para estimar la probabilidad de que al usuario le guste el artículo. [49]

Una cuestión clave con el filtrado basado en contenido es si el sistema puede aprender las preferencias del usuario a partir de sus acciones con respecto a una fuente de contenido y utilizarlas en otros tipos de contenido. Cuando el sistema se limita a recomendar contenido del mismo tipo que el usuario ya está utilizando, el valor del sistema de recomendación es significativamente menor que cuando se pueden recomendar otros tipos de contenido de otros servicios. Por ejemplo, es útil recomendar artículos de noticias basándose en la navegación por las noticias. Aún así, sería mucho más útil cuando se pueda recomendar música, vídeos, productos, debates, etc., de diferentes servicios, en función de la navegación por las noticias. Para superar esto, la mayoría de los sistemas de recomendación basados ​​en contenido ahora utilizan alguna forma de sistema híbrido.

Los sistemas de recomendación basados ​​en contenido también pueden incluir sistemas de recomendación basados ​​en opiniones. En algunos casos, los usuarios pueden dejar reseñas de texto o comentarios sobre los artículos. Estos textos generados por el usuario son datos implícitos para el sistema de recomendación porque son recursos potencialmente ricos tanto en características/aspectos del artículo como en la evaluación/sentimiento de los usuarios hacia el artículo. Las características extraídas de las reseñas generadas por los usuarios son metadatos mejorados de los elementos, porque como también reflejan aspectos del elemento como los metadatos , las características extraídas preocupan ampliamente a los usuarios. Los sentimientos extraídos de las reseñas se pueden ver como puntuaciones de calificación de los usuarios en las funciones correspondientes. Los enfoques populares del sistema de recomendación basado en opiniones utilizan varias técnicas que incluyen minería de texto , recuperación de información , análisis de sentimientos (consulte también Análisis de sentimientos multimodal ) y aprendizaje profundo. [50]

Enfoques de recomendaciones híbridas

La mayoría de los sistemas de recomendación utilizan ahora un enfoque híbrido, que combina filtrado colaborativo , filtrado basado en contenido y otros enfoques. No hay ninguna razón por la que no puedan hibridarse varias técnicas diferentes del mismo tipo. Los enfoques híbridos se pueden implementar de varias maneras: haciendo predicciones basadas en contenido y en colaboración por separado y luego combinándolas; agregando capacidades basadas en contenido a un enfoque colaborativo (y viceversa); o unificando los enfoques en un modelo (ver [32] para una revisión completa de los sistemas de recomendación). Varios estudios que compararon empíricamente el rendimiento del híbrido con los métodos puramente colaborativos y basados ​​en contenido y demostraron que los métodos híbridos pueden proporcionar recomendaciones más precisas que los enfoques puros. Estos métodos también se pueden utilizar para superar algunos de los problemas comunes en los sistemas de recomendación, como el arranque en frío y el problema de escasez, así como el cuello de botella de la ingeniería del conocimiento en los enfoques basados ​​en el conocimiento . [51]

Netflix es un buen ejemplo del uso de sistemas de recomendación híbridos. [52] El sitio web hace recomendaciones comparando los hábitos de visualización y búsqueda de usuarios similares (es decir, filtrado colaborativo), así como ofreciendo películas que comparten características con películas que un usuario ha calificado altamente (filtrado basado en contenido).

Algunas técnicas de hibridación incluyen:

Tecnologías

Sistemas de recomendación basados ​​en sesiones

Estos sistemas de recomendación utilizan las interacciones de un usuario dentro de una sesión [55] para generar recomendaciones. Los sistemas de recomendación basados ​​en sesiones se utilizan en Youtube [56] y Amazon. [57] Estos son particularmente útiles cuando el historial (como clics anteriores, compras) de un usuario no está disponible o no es relevante en la sesión de usuario actual. Los dominios donde las recomendaciones basadas en sesiones son particularmente relevantes incluyen video, comercio electrónico, viajes, música y más. La mayoría de los casos de sistemas de recomendación basados ​​en sesiones se basan en la secuencia de interacciones recientes dentro de una sesión sin requerir ningún detalle adicional (histórico, demográfico) del usuario. Las técnicas para recomendaciones basadas en sesiones se basan principalmente en modelos secuenciales generativos como redes neuronales recurrentes, [55] [58] Transformers, [59] y otros enfoques basados ​​en aprendizaje profundo [60] [61]

Aprendizaje por refuerzo para sistemas de recomendación.

El problema de recomendación puede verse como un caso especial de un problema de aprendizaje por refuerzo en el que el usuario es el entorno sobre el cual actúa el agente, el sistema de recomendación, para recibir una recompensa, por ejemplo, un clic o una participación del usuario. [56] [62] [63] Un aspecto del aprendizaje por refuerzo que es de particular utilidad en el área de los sistemas de recomendación es el hecho de que los modelos o políticas se pueden aprender proporcionando una recompensa al agente de recomendación. Esto contrasta con las técnicas de aprendizaje tradicionales que se basan en enfoques de aprendizaje supervisado que son menos flexibles; las técnicas de recomendación de aprendizaje por refuerzo permiten potencialmente entrenar modelos que pueden optimizarse directamente en función de métricas de participación e interés del usuario. [64]

Sistemas de recomendación multicriterio

Los sistemas de recomendación multicriterio (MCRS) se pueden definir como sistemas de recomendación que incorporan información de preferencias según múltiples criterios. En lugar de desarrollar técnicas de recomendación basadas en un único valor de criterio, la preferencia general del usuario u por el elemento i, estos sistemas intentan predecir una calificación para elementos inexplorados de u explotando información de preferencia sobre múltiples criterios que afectan este valor de preferencia general. Varios investigadores abordan MCRS como un problema de toma de decisiones multicriterio (MCDM) y aplican métodos y técnicas de MCDM para implementar sistemas MCRS. [65] Consulte este capítulo [66] para obtener una introducción ampliada.

Sistemas de recomendación conscientes de los riesgos

La mayoría de los enfoques existentes para los sistemas de recomendación se centran en recomendar el contenido más relevante a los usuarios utilizando información contextual, pero no tienen en cuenta el riesgo de molestar al usuario con notificaciones no deseadas. Es importante considerar el riesgo de molestar al usuario al impulsar recomendaciones en determinadas circunstancias, por ejemplo, durante una reunión profesional, temprano en la mañana o tarde en la noche. Por lo tanto, el desempeño del sistema de recomendación depende en parte del grado en que ha incorporado el riesgo en el proceso de recomendación. Una opción para gestionar este problema es DRARS , un sistema que modela la recomendación contextual como un problema de bandidos . Este sistema combina una técnica basada en contenido y un algoritmo bandido contextual. [67]

Sistemas de recomendación móviles

Los sistemas de recomendación móviles utilizan teléfonos inteligentes con acceso a Internet para ofrecer recomendaciones personalizadas y sensibles al contexto. Esta es un área de investigación particularmente difícil, ya que los datos móviles son más complejos que los datos con los que a menudo tienen que lidiar los sistemas de recomendación. Es heterogéneo, ruidoso, requiere autocorrelación espacial y temporal y tiene problemas de validación y generalidad. [68]

Hay tres factores que podrían afectar los sistemas de recomendación móviles y la precisión de los resultados de la predicción: el contexto, el método de recomendación y la privacidad. [69] Además, los sistemas de recomendación móviles sufren un problema de trasplante: las recomendaciones pueden no aplicarse en todas las regiones (por ejemplo, no sería prudente recomendar una receta en un área donde todos los ingredientes pueden no estar disponibles).

Un ejemplo de un sistema de recomendación móvil son los enfoques adoptados por empresas como Uber y Lyft para generar rutas de conducción para taxistas en una ciudad. [68] Este sistema utiliza datos GPS de las rutas que toman los taxistas mientras trabajan, que incluyen ubicación (latitud y longitud), marcas de tiempo y estado operativo (con o sin pasajeros). Utiliza estos datos para recomendar una lista de puntos de recogida a lo largo de una ruta, con el objetivo de optimizar tiempos de ocupación y ganancias.

El premio Netflix

Uno de los acontecimientos que dinamizó la investigación en sistemas de recomendación fue el Premio Netflix . De 2006 a 2009, Netflix patrocinó una competencia, ofreciendo un gran premio de $1,000,000 al equipo que pudiera tomar un conjunto de datos ofrecido de más de 100 millones de calificaciones de películas y devolver recomendaciones que eran un 10% más precisas que las ofrecidas por el sistema de recomendación existente de la compañía. Esta competencia impulsó la búsqueda de algoritmos nuevos y más precisos. El 21 de septiembre de 2009, se entregó el gran premio de 1.000.000 de dólares estadounidenses al equipo Pragmatic Chaos de BellKor mediante reglas de desempate. [70]

El algoritmo más preciso de 2007 utilizó un método conjunto de 107 enfoques algorítmicos diferentes, combinados en una única predicción. Según lo declarado por los ganadores, Bell et al.: [71]

La precisión predictiva mejora sustancialmente al combinar múltiples predictores. Nuestra experiencia es que la mayoría de los esfuerzos deberían concentrarse en derivar enfoques sustancialmente diferentes, en lugar de perfeccionar una única técnica. En consecuencia, nuestra solución es un conjunto de muchos métodos.

Muchos beneficios se acumularon para la web gracias al proyecto Netflix. Algunos equipos han tomado su tecnología y la han aplicado a otros mercados. Algunos miembros del equipo que terminó en segundo lugar fundaron Gravity R&D , un motor de recomendación que está activo en la comunidad RecSys. [70] [72] 4-Tell, Inc. creó una solución derivada del proyecto Netflix para sitios web de comercio electrónico.

Surgieron una serie de problemas de privacidad en torno al conjunto de datos ofrecido por Netflix para el concurso del Premio Netflix. Aunque los conjuntos de datos fueron anonimizados para preservar la privacidad del cliente, en 2007 dos investigadores de la Universidad de Texas pudieron identificar usuarios individuales comparando los conjuntos de datos con las calificaciones de películas en Internet Movie Database. [73] Como resultado, en diciembre de 2009, un usuario anónimo de Netflix demandó a Netflix en Doe v. Netflix, alegando que Netflix había violado las leyes de comercio justo de los Estados Unidos y la Ley de Protección de la Privacidad de Vídeo al publicar los conjuntos de datos. [74] Esto, así como las preocupaciones de la Comisión Federal de Comercio , llevaron a la cancelación de un segundo concurso del Premio Netflix en 2010. [75]

Evaluación

Medidas de desempeño

La evaluación es importante para valorar la eficacia de los algoritmos de recomendación. Para medir la eficacia de los sistemas de recomendación y comparar diferentes enfoques, hay tres tipos de evaluaciones disponibles: estudios de usuarios, evaluaciones en línea (pruebas A/B) y evaluaciones fuera de línea. [34]

Las métricas comúnmente utilizadas son el error cuadrático medio y la raíz del error cuadrático medio , habiendo sido este último el utilizado en el Premio Netflix. Las métricas de recuperación de información como precisión y recuperación o DCG son útiles para evaluar la calidad de un método de recomendación. La diversidad, la novedad y la cobertura también se consideran aspectos importantes en la evaluación. [76] Sin embargo, muchas de las medidas de evaluación clásicas son muy criticadas. [77]

Evaluar el rendimiento de un algoritmo de recomendación en un conjunto de datos de prueba fijo siempre será un gran desafío, ya que es imposible predecir con precisión las reacciones de los usuarios reales a las recomendaciones. Por lo tanto, cualquier métrica que calcule la efectividad de un algoritmo en datos fuera de línea será imprecisa.

Los estudios de usuarios son más bien de pequeña escala. A unas pocas docenas o cientos de usuarios se les presentan recomendaciones creadas mediante diferentes enfoques de recomendación, y luego los usuarios juzgan qué recomendaciones son mejores.

En las pruebas A/B, las recomendaciones se muestran normalmente a miles de usuarios de un producto real, y el sistema de recomendación elige aleatoriamente al menos dos enfoques de recomendación diferentes para generar recomendaciones. La efectividad se mide con medidas implícitas de efectividad como la tasa de conversión o la tasa de clics .

Las evaluaciones fuera de línea se basan en datos históricos, por ejemplo, un conjunto de datos que contiene información sobre cómo los usuarios calificaron películas anteriormente. [78]

Luego, la eficacia de los enfoques de recomendación se mide en función de qué tan bien un enfoque de recomendación puede predecir las calificaciones de los usuarios en el conjunto de datos. Si bien una calificación es una expresión explícita de si a un usuario le gustó una película, dicha información no está disponible en todos los dominios. Por ejemplo, en el ámbito de los sistemas de recomendación de citas, los usuarios normalmente no califican una cita o un artículo recomendado. En tales casos, las evaluaciones fuera de línea pueden utilizar medidas implícitas de efectividad. Por ejemplo, se puede suponer que un sistema de recomendación es eficaz si es capaz de recomendar tantos artículos como sea posible contenidos en la lista de referencias de un artículo de investigación. Sin embargo, muchos investigadores consideran fundamental este tipo de evaluaciones fuera de línea. [79] [80] [81] [34] Por ejemplo, se ha demostrado que los resultados de las evaluaciones fuera de línea tienen una baja correlación con los resultados de los estudios de usuarios o las pruebas A/B. [81] [82] Se ha demostrado que un conjunto de datos popular para la evaluación fuera de línea contiene datos duplicados y, por lo tanto, conduce a conclusiones erróneas en la evaluación de algoritmos. [83] A menudo, los resultados de las llamadas evaluaciones fuera de línea no se correlacionan con la satisfacción del usuario realmente evaluada. [84] Esto probablemente se debe a que la capacitación fuera de línea está muy sesgada hacia los elementos más accesibles, y los datos de las pruebas fuera de línea están muy influenciados por los resultados del módulo de recomendación en línea. [79] [85] Los investigadores han llegado a la conclusión de que los resultados de las evaluaciones fuera de línea deben considerarse de forma crítica. [86]

Más allá de la precisión

Normalmente, la investigación sobre sistemas de recomendación se centra en encontrar los algoritmos de recomendación más precisos. Sin embargo, hay una serie de factores que también son importantes.

Reproducibilidad

Los sistemas de recomendación son notoriamente difíciles de evaluar fuera de línea, y algunos investigadores afirman que esto ha llevado a una crisis de reproducibilidad en las publicaciones de los sistemas de recomendación. El tema de la reproducibilidad parece ser un tema recurrente en algunos lugares de publicación de Machine Learning, pero no tiene un efecto considerable más allá del mundo de la publicación científica. En el contexto de los sistemas de recomendación, un artículo de 2019 examinó una pequeña cantidad de publicaciones cuidadosamente seleccionadas que aplican métodos neuronales o de aprendizaje profundo al problema de recomendación top-k, publicado en las principales conferencias (SIGIR, KDD, WWW, RecSys , IJCAI). que, en promedio, los autores de la encuesta pudieron reproducir menos del 40% de los artículos, y tan solo el 14% en algunas conferencias. El artículo considera una serie de problemas potenciales en la investigación académica actual y sugiere prácticas científicas mejoradas en esa área. [99] [100] [101] Un trabajo más reciente sobre la evaluación comparativa de un conjunto de los mismos métodos llegó a resultados cualitativamente muy diferentes [102] por lo que se encontró que los métodos neuronales se encontraban entre los métodos de mejor rendimiento. Se han utilizado métodos neuronales y de aprendizaje profundo para sistemas de recomendación en las soluciones ganadoras en varios desafíos recientes de sistemas de recomendación, WSDM, [103] RecSys Challenge. [104] Además, los métodos de aprendizaje neuronal y profundo se utilizan ampliamente en la industria, donde se prueban exhaustivamente. [105] [56] [57] El tema de la reproducibilidad no es nuevo en los sistemas de recomendación. En 2011, Ekstrand, Konstan , et al. Criticó que "actualmente es difícil reproducir y ampliar los resultados de la investigación sobre sistemas de recomendación" y que las evaluaciones "no se manejan de manera consistente". [106] Konstan y Adomavicius concluyen que "la comunidad de investigación de Sistemas de Recomendación se enfrenta a una crisis en la que un número significativo de artículos presentan resultados que contribuyen poco al conocimiento colectivo [...] a menudo porque la investigación carece de la [...] evaluación para ser juzgados adecuadamente y, por lo tanto, proporcionar contribuciones significativas". [107] Como consecuencia, gran parte de la investigación sobre sistemas de recomendación puede considerarse no reproducible. [108] Por lo tanto, los operadores de sistemas de recomendación encuentran poca orientación en la investigación actual para responder a la pregunta de qué enfoques de recomendación utilizar en un sistema de recomendación. Said y Bellogín realizaron un estudio de artículos publicados en el campo, además de comparar algunos de los marcos de recomendación más populares y encontraron grandes inconsistencias en los resultados, incluso cuando se utilizaron los mismos algoritmos y conjuntos de datos. [109]Algunos investigadores demostraron que variaciones menores en los algoritmos o escenarios de recomendación conducían a fuertes cambios en la eficacia de un sistema de recomendación. Concluyen que son necesarias siete acciones para mejorar la situación actual: [108] "(1) examinar otros campos de investigación y aprender de ellos, (2) encontrar una comprensión común de la reproducibilidad, (3) identificar y comprender los determinantes que afectan la reproducibilidad , (4) realizar experimentos más completos (5) modernizar las prácticas de publicación, (6) fomentar el desarrollo y uso de marcos de recomendación y (7) establecer pautas de mejores prácticas para la investigación de sistemas de recomendación".

Aplicaciones de inteligencia artificial en recomendación

Las aplicaciones de inteligencia artificial (IA) en los sistemas de recomendación son metodologías avanzadas que aprovechan las tecnologías de IA para mejorar el rendimiento de los motores de recomendación. El recomendador basado en IA puede analizar conjuntos de datos complejos, aprendiendo del comportamiento, las preferencias y las interacciones del usuario para generar contenido o sugerencias de productos altamente precisos y personalizados. [110] La integración de la IA en los sistemas de recomendación ha marcado una evolución significativa con respecto a los métodos de recomendación tradicionales. Los métodos tradicionales a menudo se basaban en algoritmos inflexibles que podían sugerir elementos basados ​​en tendencias generales de los usuarios o similitudes aparentes en el contenido. En comparación, los sistemas impulsados ​​por IA tienen la capacidad de detectar patrones y distinciones sutiles que pueden pasarse por alto con los métodos tradicionales. [111] Estos sistemas pueden adaptarse a preferencias individuales específicas, ofreciendo así recomendaciones que están más alineadas con las necesidades individuales de los usuarios. Este enfoque marca un cambio hacia sugerencias más personalizadas y centradas en el usuario.

Los sistemas de recomendación adoptan ampliamente técnicas de IA como el aprendizaje automático , el aprendizaje profundo y el procesamiento del lenguaje natural . [112] Estos métodos avanzados mejoran las capacidades del sistema para predecir las preferencias del usuario y ofrecer contenido personalizado con mayor precisión. Cada técnica contribuye de manera única. Las siguientes secciones presentarán modelos de IA específicos utilizados por un sistema de recomendación ilustrando sus teorías y funcionalidades. [ cita necesaria ]

Filtros colaborativos basados ​​en KNN

El filtrado colaborativo (CF) es uno de los algoritmos de sistemas de recomendación más utilizados. Genera sugerencias personalizadas para los usuarios basadas en patrones de comportamiento explícitos o implícitos para formar predicciones. [113] Específicamente, se basa en comentarios externos, como calificaciones de estrellas, historial de compras, etc., para emitir juicios. CF hace predicciones sobre las preferencias de los usuarios basándose en mediciones de similitud. Esencialmente, la teoría subyacente es: "si el usuario A es similar al usuario B, y si a A le gusta el elemento C, entonces es probable que a B también le guste el elemento C".

Hay muchos modelos disponibles para filtrado colaborativo. Para el filtrado colaborativo aplicado por IA, un modelo común se llama K-vecinos más cercanos . Las ideas son las siguientes:

  1. Representación de datos : cree un espacio de n dimensiones donde cada eje represente el rasgo de un usuario (calificaciones, compras, etc.). Representar al usuario como un punto en ese espacio.
  2. Distancia estadística : la 'Distancia' mide qué tan lejos están los usuarios en este espacio. Consulte la distancia estadística para obtener detalles computacionales.
  3. Identificación de vecinos : según las distancias calculadas, encuentre k vecinos más cercanos del usuario al que queremos hacer recomendaciones.
  4. Formación de recomendaciones predictivas : el sistema analizará la preferencia similar de los k vecinos. El sistema hará recomendaciones basadas en esa similitud.

Redes neuronales

Una red neuronal artificial (RNA) es una estructura modelo de aprendizaje profundo que tiene como objetivo imitar un cerebro humano. Consisten en una serie de neuronas, cada una de las cuales es responsable de recibir y procesar la información transmitida desde otras neuronas interconectadas. [114] De manera similar a un cerebro humano, estas neuronas cambiarán el estado de activación en función de las señales entrantes (entrada de entrenamiento y salida retropropagada), lo que permitirá que el sistema ajuste los pesos de activación durante la fase de aprendizaje de la red. Las ANN suelen diseñarse para ser un modelo de caja negra . A diferencia del aprendizaje automático normal, donde los componentes teóricos subyacentes son formales y rígidos, los efectos colaborativos de las neuronas no están del todo claros, pero los experimentos modernos han demostrado el poder predictivo de las RNA.

ANN se usa ampliamente en sistemas de recomendación por su poder para utilizar diversos datos. Además de los datos de retroalimentación, ANN puede incorporar datos que no son de retroalimentación que son demasiado complejos para que los aprenda el filtrado colaborativo, y la estructura única permite a ANN identificar señales adicionales de datos que no son de retroalimentación para mejorar la experiencia del usuario. [112] A continuación se presentan algunos ejemplos:

Procesamiento natural del lenguaje

El procesamiento del lenguaje natural es una serie de algoritmos de inteligencia artificial para hacer que el lenguaje humano natural sea accesible y analizable para una máquina. [115] Es una técnica bastante moderna inspirada en la creciente cantidad de información textual. Para la aplicación en el sistema de recomendación, un caso común es la opinión de los clientes de Amazon. Amazon analizará los comentarios de cada cliente e informará los datos relevantes a otros clientes como referencia. Los últimos años han sido testigos del desarrollo de varios modelos de análisis de texto, incluido el análisis semántico latente (LSA), la descomposición de valores singulares (SVD), la asignación de Dirichlet latente (LDA), etc. Sus usos han tenido como objetivo constante proporcionar a los clientes información más precisa y personalizada. recomendaciones.

Ver también

Referencias

  1. ^ abcd Ricci, Francesco; Rokach, Lior; Shapira, Bracha (2022). "Sistemas de recomendación: técnicas, aplicaciones y desafíos". En Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación (3 ed.). Nueva York: Springer. págs. 1–35. doi :10.1007/978-1-0716-2197-4_1. ISBN 978-1-0716-2196-7.
  2. ^ Lev Grossman (27 de mayo de 2010). "Cómo las computadoras saben lo que queremos, antes que nosotros". TIEMPO . Archivado desde el original el 30 de mayo de 2010 . Consultado el 1 de junio de 2015 .
  3. ^ ab Resnick, Paul y Hal R. Varian. "Sistemas de recomendación". Comunicaciones del ACM 40, núm. 3 (1997): 56–58.
  4. ^ Gupta, Pankaj; Goel, Ashish; Lin, Jimmy; Sharma, Aneesh; Wang, Dong; Zadeh, Reza (2013). "WTF: el servicio a quién seguir en Twitter". Actas de la 22ª Conferencia Internacional sobre la World Wide Web . Asociación para Maquinaria de Computación. págs. 505–514. doi :10.1145/2488388.2488433. ISBN 9781450320351.
  5. ^ Baran, Remigiusz; Dziech, Andrzej; Zeja, Andrzej (1 de junio de 2018). "Una plataforma capaz de descubrimiento de contenido multimedia basada en análisis de contenido visual y enriquecimiento inteligente de datos". Herramientas y aplicaciones multimedia . 77 (11): 14077–14091. doi : 10.1007/s11042-017-5014-1 . ISSN  1573-7721. S2CID  36511631.
  6. ^ H. Chen, AG Ororbia II, CL Giles ExpertSeer: un recomendador experto basado en frases clave para bibliotecas digitales, en arXiv preprint 2015
  7. ^ Chen, Hung-Hsuan; Gou, Liang; Zhang, Xiaolong; Giles, Clyde Lee (2011). "CollabSeer: un motor de búsqueda para el descubrimiento de colaboraciones" (PDF) . Actas de la undécima conferencia conjunta internacional anual ACM/IEEE sobre bibliotecas digitales . Asociación para Maquinaria de Computación. págs. 231-240. doi :10.1145/1998076.1998121. ISBN 9781450307444.
  8. ^ Felfernig, Alejandro; Isak, Klaus; Szabo, Kalman; Zachar, Peter (2007). "El entorno de apoyo a las ventas de servicios financieros de VITA" (PDF) . En William Cheetham (ed.). Actas de la XIX Conferencia Nacional sobre Aplicaciones Innovadoras de la Inteligencia Artificial, vol. 2 . págs. 1692-1699. ISBN 9781577353232. Copia ACM.
  9. ^ Melville, Prem; Sindhwani, Vikas (2010). "Sistemas de recomendación" (PDF) . En Claude Sammut; Geoffrey I. Webb (eds.). Enciclopedia de aprendizaje automático . Saltador. págs. 829–838. doi :10.1007/978-0-387-30164-8_705. ISBN 978-0-387-30164-8.
  10. ^ RJ Mooney y L. Roy (1999). "Recomendación de libros basada en contenido utilizando el aprendizaje para la categorización de textos ". En Taller Recom. Sistema: Algo. y Evaluación.
  11. ^ Haupt, Jon (1 de junio de 2009). "Last.fm: radio en línea impulsada por las personas". Servicios de referencia musical trimestralmente . 12 (1–2): 23–24. doi :10.1080/10588160902816702. ISSN  1058-8167. S2CID  161141937.
  12. ^ ab Chen, Hung-Hsuan; Chen, Pu (9 de enero de 2019). "Diferenciación de pesos de regularización: un mecanismo simple para aliviar el arranque en frío en sistemas de recomendación". Transacciones ACM sobre descubrimiento de conocimiento a partir de datos . 13 : 1–22. doi :10.1145/3285954. S2CID  59337456.
  13. ^ ab Rubens, Neil; Elahi, Mehdi; Sugiyama, Masashi; Kaplan, Dain (2016). "Aprendizaje activo en sistemas de recomendación". En Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación (2 ed.). Springer Estados Unidos. págs. 809–846. doi :10.1007/978-1-4899-7637-6_24. ISBN 978-1-4899-7637-6.
  14. ^ Bobadilla, J.; Ortega, F.; Hernando, A.; Alcalá, J. (2011). "Mejora de los resultados y el rendimiento del sistema de recomendación de filtrado colaborativo mediante algoritmos genéticos". Sistemas basados ​​en el conocimiento . 24 (8): 1310-1316. doi :10.1016/j.knosys.2011.06.005.
  15. ^ ab Elahi, Mehdi; Ricci, Francisco; Rubens, Neil (2016). "Una encuesta sobre el aprendizaje activo en sistemas de recomendación de filtrado colaborativo". Revisión de informática . 20 : 29–50. doi :10.1016/j.cosrev.2016.05.002.
  16. ^ Andrés I. Schein; Alexandrin Popescul; Lyle H. Ungar ; David M. Pennock (2002). Métodos y métricas para recomendaciones de arranque en frío. Actas de la 25ª Conferencia Internacional Anual ACM SIGIR sobre Investigación y Desarrollo en Recuperación de Información (SIGIR 2002). : ACM . págs. 253–260. ISBN  1-58113-561-0. Consultado el 2 de febrero de 2008 .
  17. ^ ab Bi, Xuan; Qu, Annie; Wang, Junhui; Shen, Xiaotong (2017). "Un sistema de recomendación específico de grupo". Revista de la Asociación Estadounidense de Estadística . 112 (519): 1344-1353. doi :10.1080/01621459.2016.1219261. S2CID  125187672.
  18. ^ Pila, Charles. "Sistema y método para brindar recomendaciones de bienes y servicios basándose en el historial de compras registrado". Patente estadounidense 7.222.085, expedida el 22 de mayo de 2007.
  19. ^ Herz, Federico SM. "Periódicos y anuncios electrónicos personalizados". Patente de EE. UU. 7.483.871, expedida el 27 de enero de 2009.
  20. ^ Herz, Frederick, Lyle Ungar, Jian Zhang y David Wachob. "Sistema y método para facilitar el acceso a los datos mediante perfiles de clientes." Patente de EE. UU. 8.056.100, expedida el 8 de noviembre de 2011.
  21. ^ Harbick, Andrew V., Ryan J. Snodgrass y Joel R. Spiegel. "Detección basada en listas de reproducción de obras digitales similares y creadores de obras". Patente de EE. UU. 8.468.046, expedida el 18 de junio de 2013.
  22. ^ Linden, Gregory D., Brent Russell Smith y Nida K. Zada. "Detección y exposición automatizadas de relaciones basadas en el comportamiento entre elementos navegables". Patente de EE. UU. 9.070.156, expedida el 30 de junio de 2015.
  23. ^ BEEL, Joeran y col. Sistemas de recomendación de artículos: un estudio de la literatura. Revista Internacional de Bibliotecas Digitales, 2016, 17. Jg., Nr. 4, págs. 305–338.
  24. ^ RICO, Elaine. Modelado de usuarios a través de estereotipos. Ciencia cognitiva, 1979, 3. Jg., Nr. 4, págs. 329–354.
  25. ^ Karlgren, Jussi. 1990. "Álgebra para recomendaciones". Documento de trabajo de Syslab 179 (1990).
  26. ^ Karlgren, Jussi. "Agrupación de grupos de noticias basada en el comportamiento del usuario: un álgebra de recomendación Archivado el 27 de febrero de 2021 en Wayback Machine ". Informe de investigación SICS (1994).
  27. ^ Karlgren, Jussi (octubre de 2017). "Una estantería digital: trabajo original sobre sistemas de recomendación" . Consultado el 27 de octubre de 2017 .
  28. ^ Shardanand, Upendra y Pattie Maes. "Filtrado de información social: algoritmos para automatizar el "boca a boca"." En Actas de la conferencia SIGCHI sobre factores humanos en sistemas informáticos, págs. ACM Press/Addison-Wesley Publishing Co., 1995.
  29. ^ Hill, Will, Larry Stead, Mark Rosenstein y George Furnas. «Recomendar y evaluar opciones en una comunidad virtual de uso Archivado el 21 de diciembre de 2018 en Wayback Machine .» En Actas de la conferencia SIGCHI sobre factores humanos en sistemas informáticos, págs. 194-201. ACM Press/Addison-Wesley Publishing Co., 1995.
  30. ^ Resnick, Paul, Neophytos Iacovou, Mitesh Suchak, Peter Bergström y John Riedl. "GroupLens: una arquitectura abierta para el filtrado colaborativo de netnews". En Actas de la conferencia ACM de 1994 sobre trabajo cooperativo apoyado por computadora, págs. ACM, 1994.
  31. ^ Montaner, M.; López, B.; de la Rosa, JL (junio de 2003). "Una taxonomía de agentes recomendadores en Internet". Revisión de inteligencia artificial . 19 (4): 285–330. doi :10.1023/A:1022850703159. S2CID  16544257..
  32. ^ ab Adomavicius, G.; Tuzhilin, A. (junio de 2005). "Hacia la próxima generación de sistemas de recomendación: un estudio del estado del arte y posibles extensiones". Transacciones IEEE sobre conocimiento e ingeniería de datos . 17 (6): 734–749. CiteSeerX 10.1.1.107.2790 . doi :10.1109/TKDE.2005.99. S2CID  206742345. .
  33. ^ Herlocker, JL; Konstan, JA; Terveen, LG; Riedl, JT (enero de 2004). "Evaluación de sistemas de recomendación de filtrado colaborativo". Transmisión ACM. inf. Sistema . 22 (1): 5–53. CiteSeerX 10.1.1.78.8384 . doi :10.1145/963770.963772. S2CID  207731647. .
  34. ^ abcBeel , J.; Genzmehr, M.; Gipp, B. (octubre de 2013). "Un análisis comparativo de evaluaciones en línea y fuera de línea y una discusión sobre la evaluación del sistema de recomendación de artículos de investigación" (PDF) . Actas del taller internacional sobre reproducibilidad y replicación en la evaluación de sistemas de recomendación . págs. 7-14. doi :10.1145/2532508.2532511. ISBN 978-1-4503-2465-6. S2CID  8202591. Archivado desde el original (PDF) el 17 de abril de 2016 . Consultado el 22 de octubre de 2013 .
  35. ^ Beel, J.; Langer, S.; Genzmehr, M.; Gipp, B.; Breitinger, C. (octubre de 2013). "Evaluación del sistema de recomendación de artículos de investigación: una encuesta cuantitativa de la literatura" (PDF) . Actas del taller internacional sobre reproducibilidad y replicación en la evaluación de sistemas de recomendación. págs. 15-22. doi :10.1145/2532508.2532512. ISBN 978-1-4503-2465-6. S2CID  4411601.
  36. ^ Beel, J.; Gipp, B.; Langer, S.; Breitinger, C. (26 de julio de 2015). "Sistemas de recomendación de artículos de investigación: una encuesta de literatura". Revista Internacional de Bibliotecas Digitales . 17 (4): 305–338. doi :10.1007/s00799-015-0156-0. S2CID  207035184.
  37. ^ John S. Breese; David Heckerman y Carl Kadie (1998). Análisis empírico de algoritmos predictivos para filtrado colaborativo . En Actas de la Decimocuarta Conferencia sobre Incertidumbre en Inteligencia Artificial (UAI'98). arXiv : 1301.7363 .
  38. ^ Breese, John S.; Heckerman, David; Kadie, Carl (1998). Análisis empírico de algoritmos predictivos para filtrado colaborativo (PDF) (Reporte). Investigación de Microsoft.
  39. ^ Koren, Yehuda; Volinsky, Chris (1 de agosto de 2009). "Técnicas de factorización matricial para sistemas de recomendación". Computadora . 42 (8): 30–37. CiteSeerX 10.1.1.147.8295 . doi :10.1109/MC.2009.263. S2CID  58370896. 
  40. ^ Sarwar, B.; Karypis, G.; Konstan, J.; Riedl, J. (2000). "Aplicación de la reducción de dimensionalidad en el sistema de recomendación: un estudio de caso".,
  41. ^ Allen, RB (1990). Modelos de usuario: teoría, método, práctica . Internacional J. Estudios Hombre-Máquina.
  42. ^ Parsons, J.; Ralph, P.; Gallagher, K. (julio de 2004). Usar el tiempo de visualización para inferir las preferencias del usuario en los sistemas de recomendación . Taller AAAI en Personalización de Web Semántica, San José, California..
  43. ^ Sanghack Lee y Jihoon Yang y Sung-Yong Park, Descubrimiento de similitudes ocultas en el filtrado colaborativo para superar el problema de la escasez, Discovery Science, 2007.
  44. ^ Felício, Crícia Z.; Paixão, Klérisson VR; Barcelos, Celia AZ; Preux, Philippe (9 de julio de 2017). "Una selección de modelo Bandit de múltiples brazos para recomendación del usuario de arranque en frío". Actas de la 25ª Conferencia sobre modelado, adaptación y personalización de usuarios (PDF) . UMAP '17. Bratislava, Eslovaquia: Asociación de Maquinaria Informática. págs. 32–40. doi :10.1145/3079628.3079681. ISBN 978-1-4503-4635-1. S2CID  653908.
  45. ^ Recomendaciones colaborativas que utilizan asignaciones de similitud de elemento a elemento Archivado el 16 de marzo de 2015 en Wayback Machine.
  46. ^ Aggarwal, Charu C. (2016). Sistemas de recomendación: el libro de texto . Saltador. ISBN 978-3-319-29657-9.
  47. ^ Peter Brusilovsky (2007). La web adaptativa . Saltador. pag. 325.ISBN​ 978-3-540-72078-2.
  48. ^ Wang, Donghui; Liang, Yanchun; Xu, Dong; Feng, Xiaoyue; Guan, Renchu ​​(2018). "Un sistema de recomendación de contenidos para publicaciones de informática". Sistemas basados ​​en el conocimiento . 157 : 1–9. doi : 10.1016/j.knosys.2018.05.001 .
  49. ^ Blanda, Stephanie (25 de mayo de 2015). "Sistemas de recomendación en línea: ¿cómo sabe un sitio web lo que quiero?". Sociedad Matemática Estadounidense . Consultado el 31 de octubre de 2016 .
  50. ^ XY Feng, H. Zhang, YJ Ren, PH Shang, Y. Zhu, YC Liang, RC Guan, D. Xu, (2019), "El sistema de recomendación basado en aprendizaje profundo" Pubmender "para elegir un lugar de publicación biomédica: Estudio de desarrollo y validación", Journal of Medical Internet Research , 21 (5): e12957
  51. ^ Rinke Hoekstra, El cuello de botella de la reingeniería del conocimiento, web semántica: interoperabilidad, usabilidad, aplicabilidad 1 (2010) 1, IOS Press
  52. ^ Gómez-Uribe, Carlos A.; Hunt, Neil (28 de diciembre de 2015). "El sistema de recomendación de Netflix". Transacciones ACM sobre sistemas de información de gestión . 6 (4): 1–19. doi : 10.1145/2843948 .
  53. ^ ab Zamanzadeh Darban, Z.; Valipour, MH (15 de agosto de 2022). "GHRS: sistema de recomendación híbrido basado en gráficos con aplicación a recomendación de películas". Sistemas Expertos con Aplicaciones . 200 : 116850. arXiv : 2111.11293 . doi :10.1016/j.eswa.2022.116850. S2CID  244477799.
  54. ^ Robin Burke, Sistemas de recomendación web híbridos Archivado el 12 de septiembre de 2014 en Wayback Machine , págs. 377-408, The Adaptive Web, Peter Brusilovsky, Alfred Kobsa, Wolfgang Nejdl (Ed.), Lecture Notes in Computer Science, Springer- Verlag, Berlín, Alemania, Lecture Notes in Computer Science, vol. 4321, mayo de 2007, 978-3-540-72078-2.
  55. ^ ab Hidasi, Balázs; Karatzoglou, Alexandros; Baltrunas, Linas; Tikk, Domonkos (29 de marzo de 2016). "Recomendaciones basadas en sesiones con redes neuronales recurrentes". arXiv : 1511.06939 [cs.LG].
  56. ^ abc Chen, Minmin; Beutel, Alex; Covington, Pablo; Jainista, Sagar; Belletti, Francois; Chi, Ed (2018). "Corrección fuera de política Top-K para un sistema de recomendación REINFORCE". arXiv : 1812.02353 [cs.LG].
  57. ^ ab Yifei, mamá; Narayanaswamy, Balakrishnan; Haibin, Lin; Hao, Ding (2020). "Recomendación temporal-contextual en tiempo real". Actas de la 26ª Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos . Asociación para Maquinaria de Computación. págs. 2291–2299. doi : 10.1145/3394486.3403278 . ISBN 978-1-4503-7998-4. S2CID  221191348.
  58. ^ Hidasi, Balázs; Karatzoglou, Alexandros (17 de octubre de 2018). "Redes neuronales recurrentes con ganancias Top-k para recomendaciones basadas en sesiones". Actas de la 27ª Conferencia Internacional ACM sobre Gestión de la Información y el Conocimiento . CIKM '18. Turín, Italia: Asociación de Maquinaria de Computación. págs. 843–852. arXiv : 1706.03847 . doi :10.1145/3269206.3271761. ISBN 978-1-4503-6014-2. S2CID  1159769.
  59. ^ Kang, Wang-Cheng; McAuley, Julián (2018). "Recomendación secuencial autoatenta". arXiv : 1808.09781 [cs.IR].
  60. ^ Li, Jing; Ren, Pengjie; Chen, Zhumin; Ren, Zhaochun; Lian, Tao; Ma, junio (6 de noviembre de 2017). "Recomendación basada en sesiones de atención neuronal". Actas de la ACM de 2017 sobre la Conferencia sobre Gestión de la Información y el Conocimiento . CIKM '17. Singapur, Singapur: Asociación de Maquinaria de Computación. págs. 1419-1428. arXiv : 1711.04725 . doi :10.1145/3132847.3132926. ISBN 978-1-4503-4918-5. S2CID  21066930.
  61. ^ Liu, Qiao; Zeng, Yifu; Mokhosi, Refuoe; Zhang, Haibin (19 de julio de 2018). "ESTAMPILLA". Actas de la 24ª Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos . KDD '18. Londres, Reino Unido: Asociación de Maquinaria de Computación. págs. 1831–1839. doi :10.1145/3219819.3219950. ISBN 978-1-4503-5552-0. S2CID  50775765.
  62. ^ Xin, Xin; Karatzoglou, Alexandros; Arapakis, Ioannis; José, Joemon (2020). "Aprendizaje por refuerzo autosupervisado para sistemas de recomendación". arXiv : 2006.05779 [cs.LG].
  63. ^ Es decir, Eugenio; Jainista, Vihan; Narvekar, Sanmit; Agarwal, Ritesh; Wu, Rui; Cheng, Heng-Tze; Chandra, Tushar; Boutilier, Craig (2019). "SlateQ: una descomposición manejable para el aprendizaje por refuerzo con conjuntos de recomendaciones". Actas de la Vigésima Octava Conferencia Internacional Conjunta sobre Inteligencia Artificial (IJCAI-19) : 2592–2599.
  64. ^ Zou, Lixin; Xia, largo; Ding, Zhuoye; Canción, Jiaxing; Liu, Weidong; Yin, Dawei (2019). "Aprendizaje por refuerzo para optimizar la participación del usuario a largo plazo en sistemas de recomendación". Actas de la 25ª Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos . KDD '19. págs. 2810–2818. arXiv : 1902.05570 . doi :10.1145/3292500.3330668. ISBN 978-1-4503-6201-6. S2CID  62903207.
  65. ^ Lakiotaki, K.; matsatsinis; Tsoukias, A (marzo de 2011). "Modelado de usuarios multicriterio en sistemas de recomendación". Sistemas inteligentes IEEE . 26 (2): 64–76. CiteSeerX 10.1.1.476.6726 . doi :10.1109/mis.2011.33. S2CID  16752808. 
  66. ^ Gediminas Adomavicius; Nikos Manouselis; Joven, Ok Kwon. "Sistemas de recomendación multicriterio" (PDF) . Archivado desde el original (PDF) el 30 de junio de 2014.
  67. ^ Bouneffouf, Djallel (2013), DRARS, un sistema de recomendación dinámico consciente de los riesgos (Ph.D.), Institut National des Télécommunications
  68. ^ ab Yong Ge; Hui Xiong; Alejandro Tuzhilin; Keli Xiao; Marco Gruteser; Michael J. Pazzani (2010). Un sistema de recomendación móvil energéticamente eficiente (PDF) . Actas de la 16ª Conferencia Internacional ACM SIGKDD. sobre Descubrimiento de Conocimiento y Minería de Datos. Ciudad de Nueva York, Nueva York : ACM . págs. 899–908 . Consultado el 17 de noviembre de 2011 .
  69. ^ Pimenidis, Elías; Polatidis, Nikolaos; Mouratidis, Haralambos (3 de agosto de 2018). "Sistemas de recomendación móviles: identificación de los conceptos principales". Revista de ciencias de la información . 45 (3): 387–397. arXiv : 1805.02276 . doi :10.1177/0165551518792213. S2CID  19209845.
  70. ^ ab Lohr, Steve (22 de septiembre de 2009). "Una ganga de investigación de 1 millón de dólares para Netflix y tal vez un modelo para otros". Los New York Times .
  71. ^ R. campana; Y. Koren; C. Volinsky (2007). «La solución BellKor al Premio Netflix» (PDF) . Archivado desde el original (PDF) el 4 de marzo de 2012 . Consultado el 30 de abril de 2009 .
  72. ^ Bodoky, Thomas (6 de agosto de 2009). "Mátrixfaktorizáció un millón de dólares". Índice .
  73. ^ Rise of the Netflix Hackers Archivado el 24 de enero de 2012 en Wayback Machine.
  74. ^ "Netflix derramó el secreto de Brokeback Mountain, afirma la demanda". CABLEADO . 17 de diciembre de 2009 . Consultado el 1 de junio de 2015 .
  75. ^ "Actualización del premio Netflix". Foro de premios Netflix. 12 de marzo de 2010. Archivado desde el original el 27 de noviembre de 2011 . Consultado el 14 de diciembre de 2011 .
  76. ^ Lathia, N., Hailes, S., Capra, L., Amatriain, X.: Diversidad temporal en sistemas de recomendación [ enlace muerto ] . En: Actas de la 33ª Conferencia Internacional ACMSIGIR sobre Investigación y Desarrollo en Recuperación de Información, SIGIR 2010, págs. ACM, Nueva York
  77. ^ Turpin, Andrew H; Hersh, William (2001). "Por qué las evaluaciones por lotes y por usuarios no dan los mismos resultados". Actas de la 24ª conferencia internacional anual ACM SIGIR sobre investigación y desarrollo en recuperación de información . págs. 225-231.
  78. ^ "Conjunto de datos de MovieLens". 6 de septiembre de 2013.
  79. ^ ab Chen, Hung-Hsuan; Chung, Chu-An; Huang, Hsin-Chien; Tsui, Wen (1 de septiembre de 2017). "Errores comunes en la formación y evaluación de sistemas de recomendación". Boletín de exploraciones de ACM SIGKDD . 19 : 37–45. doi :10.1145/3137597.3137601. S2CID  10651930.
  80. ^ Jannach, Dietmar; Lerche, Lucas; Gedikli, Fatih; Bonnin, Geoffray (10 de junio de 2013). "Lo que recomiendan los recomendadores: un análisis de los efectos de la precisión, la popularidad y la diversidad de las ventas". En Carberry, Sandra; Weibelzahl, Stephan; Micarelli, Alejandro; Semeraro, Giovanni (eds.). Modelado, adaptación y personalización de usuarios . Apuntes de conferencias sobre informática. vol. 7899. Springer Berlín Heidelberg. págs. 25-37. CiteSeerX 10.1.1.465.96 . doi :10.1007/978-3-642-38844-6_3. ISBN  978-3-642-38843-9.
  81. ^ ab Turpin, Andrew H.; Hersh, William (1 de enero de 2001). "Por qué las evaluaciones por lotes y por usuarios no dan los mismos resultados". Actas de la 24ª conferencia internacional anual ACM SIGIR sobre investigación y desarrollo en recuperación de información . SIGIR '01. Nueva York, NY, Estados Unidos: ACM. págs. 225-231. CiteSeerX 10.1.1.165.5800 . doi :10.1145/383952.383992. ISBN  978-1-58113-331-8. S2CID  18903114.
  82. ^ Langer, Stefan (14 de septiembre de 2015). "Una comparación de evaluaciones fuera de línea, evaluaciones en línea y estudios de usuarios en el contexto de los sistemas de recomendación de artículos de investigación". En Kapidakis, Sarantos; Mazurek, Cézary; Werla, Marcin (eds.). Investigación y Tecnología Avanzada para Bibliotecas Digitales . Apuntes de conferencias sobre informática. vol. 9316. Publicación internacional Springer. págs. 153-168. doi :10.1007/978-3-319-24592-8_12. ISBN 978-3-319-24591-1.
  83. ^ Basarán, Daniel; Ntoutsi, Eirini; Zimek, Arthur (2017). Actas de la Conferencia Internacional SIAM 2017 sobre Minería de Datos . págs. 390–398. doi :10.1137/1.9781611974973.44. ISBN 978-1-61197-497-3.
  84. ^ Beel, Joeran; Genzmehr, Marcel; Langer, Stefan; Núremberger, Andreas; Gipp, Bela (1 de enero de 2013). "Un análisis comparativo de evaluaciones en línea y fuera de línea y una discusión sobre la evaluación del sistema de recomendación de artículos de investigación". Actas del taller internacional sobre reproducibilidad y replicación en la evaluación de sistemas de recomendación . RepSys '13. Nueva York, NY, Estados Unidos: ACM. págs. 7-14. CiteSeerX 10.1.1.1031.973 . doi :10.1145/2532508.2532511. ISBN  978-1-4503-2465-6. S2CID  8202591.
  85. ^ Cañamares, Rocío; Castells, Pablo (julio de 2018). ¿Debería seguir a la multitud? Un análisis probabilístico de la eficacia de la popularidad en los sistemas de recomendación (PDF) . 41a Conferencia Anual Internacional ACM SIGIR sobre Investigación y Desarrollo en Recuperación de Información (SIGIR 2018). Ann Arbor, Michigan, Estados Unidos: ACM. págs. 415–424. doi :10.1145/3209978.3210014. Archivado desde el original (PDF) el 14 de abril de 2021 . Consultado el 5 de marzo de 2021 .
  86. ^ Cañamares, Rocío; Castells, Pablo; Moffat, Alistair (marzo de 2020). "Opciones de evaluación sin conexión para sistemas de recomendación" (PDF) . Recuperación de información . Saltador. 23 (4): 387–410. doi :10.1007/s10791-020-09371-3. S2CID  213169978.
  87. ^ Ziegler CN, McNee SM, Konstan JA, Lausen G (2005). "Mejora de las listas de recomendaciones mediante la diversificación de temas". Actas de la 14ª conferencia internacional sobre la World Wide Web . págs. 22-32.
  88. ^ ab Castells, Pablo; Hurley, Neil J.; Vargas, Saúl (2015). "Novedad y diversidad en los sistemas de recomendación". En Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación (2 ed.). Springer Estados Unidos. págs. 881–918. doi :10.1007/978-1-4899-7637-6_26. ISBN 978-1-4899-7637-6.
  89. ^ Joeran Beel; Stefan Langer; Marcel Genzmehr; Andreas Nürnberger (septiembre de 2013). "Persistencia en los sistemas de recomendación: dar las mismas recomendaciones a los mismos usuarios varias veces" (PDF) . En Trond Aalberg; Milena Dobreva; Christos Papatheodorou; Giannis Tsakonas; Charles Farrugia (eds.). Actas de la 17ª Conferencia Internacional sobre Teoría y Práctica de Bibliotecas Digitales (TPDL 2013) . Apuntes de conferencias de informática (LNCS). vol. 8092. Saltador. págs. 390–394 . Consultado el 1 de noviembre de 2013 .
  90. ^ Cosley, D.; Lam, SK; Alberto, I.; Konstan, JA; Riedl, J (2003). "¿Ver es creer?: cómo las interfaces del sistema de recomendación afectan las opiniones de los usuarios" (PDF) . Actas de la conferencia SIGCHI sobre factores humanos en sistemas informáticos . págs. 585–592. S2CID  8307833.
  91. ^ Pu, P.; Chen, L.; Hu, R. (2012). "Evaluación de los sistemas de recomendación desde la perspectiva del usuario: estudio del estado del arte" (PDF) . Modelado de usuario e interacción adaptada al usuario : 1–39.
  92. ^ Naren Ramakrishnan; Benjamín J. Keller; Batul J. Mirza; Ananth Y. Grama; George Karypis (2001). "Riesgos de privacidad en los sistemas de recomendación". Computación de Internet IEEE . Piscataway, Nueva Jersey: Departamento de Actividades Educativas del IEEE. 5 (6): 54–62. CiteSeerX 10.1.1.2.2932 . doi :10.1109/4236.968832. ISBN  978-1-58113-561-9. S2CID  1977107.
  93. ^ Joeran Beel; Stefan Langer; Andreas Nürnberger; Marcel Genzmehr (septiembre de 2013). "El impacto de los datos demográficos (edad y género) y otras características del usuario en la evaluación de los sistemas de recomendación" (PDF) . En Trond Aalberg; Milena Dobreva; Christos Papatheodorou; Giannis Tsakonas; Charles Farrugia (eds.). Actas de la 17ª Conferencia Internacional sobre Teoría y Práctica de Bibliotecas Digitales (TPDL 2013) . Saltador. págs. 400–404 . Consultado el 1 de noviembre de 2013 .
  94. ^ Konstan JA, Riedl J (2012). «Sistemas de recomendación: de los algoritmos a la experiencia del usuario» (PDF) . Modelado de usuarios e interacción adaptada al usuario . 22 (1–2): 1–23. doi : 10.1007/s11257-011-9112-x . S2CID  8996665.
  95. ^ Ricci F, Rokach L, Shapira B, Kantor BP (2011). Manual de sistemas de recomendación . págs. 1–35. Código Bib : 2011rsh..libro.....R.
  96. ^ Möller, Judith; Trino, Damián; Helberger, Natali; van Es, Bram (3 de julio de 2018). "No culpe al algoritmo: una evaluación empírica de múltiples sistemas de recomendación y su impacto en la diversidad de contenidos". Información, Comunicación y Sociedad . 21 (7): 959–977. doi :10.1080/1369118X.2018.1444076. hdl : 11245.1/4242e2e0-3beb-40a0-a6cb-d8947a13efb4 . ISSN  1369-118X. S2CID  149344712.
  97. ^ Montaner, Miquel; López, Beatriz; de la Rosa, Josep Lluís (2002). "Desarrollar la confianza en los agentes recomendadores". Actas de la primera conferencia conjunta internacional sobre agentes autónomos y sistemas multiagente: parte 1 . págs. 304–305.
  98. ^ Beel, Joeran, Langer, Stefan, Genzmehr, Marcel (septiembre de 2013). "Recomendaciones patrocinadas versus orgánicas (artículo de investigación) y el impacto del etiquetado" (PDF) . En Trond Aalberg, Milena Dobreva, Christos Papatheodorou, Giannis Tsakonas, Charles Farrugia (eds.). Actas de la 17ª Conferencia Internacional sobre Teoría y Práctica de Bibliotecas Digitales (TPDL 2013) . págs. 395–399 . Consultado el 2 de diciembre de 2013 .
  99. ^ Ferrari Dacrema, Maurizio; Boglio, Simone; Cremonesi, Paolo; Jannach, Dietmar (8 de enero de 2021). "Un análisis inquietante de la reproducibilidad y el progreso en la investigación de sistemas de recomendación". Transacciones ACM sobre sistemas de información . 39 (2): 1–49. arXiv : 1911.07698 . doi :10.1145/3434185. hdl : 11311/1164333. S2CID  208138060.
  100. ^ Ferrari Dacrema, Maurizio; Cremonesi, Paolo; Jannach, Dietmar (2019). "¿Realmente estamos avanzando mucho? Un análisis preocupante de los recientes enfoques de recomendación neuronal". Actas de la 13ª Conferencia ACM sobre sistemas de recomendación . RecSys '19. ACM. págs. 101-109. arXiv : 1907.06902 . doi :10.1145/3298689.3347058. hdl :11311/1108996. ISBN 978-1-4503-6243-6. S2CID  196831663 . Consultado el 16 de octubre de 2019 .
  101. ^ Rendle, Steffen; Krichene, Walid; Zhang, Li; Anderson, John (22 de septiembre de 2020). "Revisión del filtrado colaborativo neuronal frente a la factorización matricial". Decimocuarta Conferencia ACM sobre Sistemas de Recomendación . págs. 240–248. arXiv : 2005.09683 . doi : 10.1145/3383313.3412488 . ISBN 978-1-4503-7583-2.
  102. ^ Sol, Zhu; Yu, Di; Colmillo, Hui; Yang, Jie; Qu, Xinghua; Zhang, Jie; Geng, Cong (2020). "¿Estamos evaluando rigurosamente? Recomendación de evaluación comparativa para una evaluación reproducible y una comparación justa". Decimocuarta Conferencia ACM sobre Sistemas de Recomendación . ACM. págs. 23–32. doi : 10.1145/3383313.3412489. ISBN 978-1-4503-7583-2. S2CID  221785064.
  103. ^ Schifferer, Benedikt; Deotte, Chris; Puget, Jean-François; de Souza Pereira, Gabriel; Titericz, Gilberto; Liu, Jiwei; Ah, Ronay. "Uso del aprendizaje profundo para ganar el desafío WSDM WebTour21 de Booking.com sobre recomendaciones secuenciales" (PDF) . WSDM '21: Conferencia ACM sobre búsqueda web y minería de datos . ACM. Archivado desde el original (PDF) el 25 de marzo de 2021 . Consultado el 3 de abril de 2021 .
  104. ^ Volkovs, Maksims; Rai, Himanshu; Cheng, Zhaoyue; Wu, Ga; Lu, Yichao; Sanner, Scott (2018). "Modelo de dos etapas para la continuación automática de listas de reproducción a escala". Actas del Desafío de sistemas de recomendación ACM 2018 . ACM. págs. 1–6. doi :10.1145/3267471.3267480. ISBN 978-1-4503-6586-4. S2CID  52942462.
  105. ^ Yves Raimond, Justin Basilico Aprendizaje profundo para sistemas de recomendación, Cumbre SF de retrabajo de aprendizaje profundo 2018
  106. ^ Ekstrand, Michael D.; Luis, Michael; Konstan, José A.; Riedl, John T. (1 de enero de 2011). "Repensar el ecosistema de investigación de recomendaciones". Actas de la quinta conferencia ACM sobre sistemas de recomendación . RecSys '11. Nueva York, NY, Estados Unidos: ACM. págs. 133-140. doi :10.1145/2043932.2043958. ISBN 978-1-4503-0683-6. S2CID  2215419.
  107. ^ Konstan, José A.; Adomavicius, Gediminas (1 de enero de 2013). "Hacia la identificación y adopción de mejores prácticas en la investigación de sistemas de recomendación algorítmicos". Actas del taller internacional sobre reproducibilidad y replicación en la evaluación de sistemas de recomendación . RepSys '13. Nueva York, NY, Estados Unidos: ACM. págs. 23-28. doi :10.1145/2532508.2532513. ISBN 978-1-4503-2465-6. S2CID  333956.
  108. ^ ab Breitinger, Corinna; Langer, Stefan; Lommatzsch, Andreas; Gipp, Bela (12 de marzo de 2016). "Hacia la reproducibilidad en la investigación de sistemas de recomendación". Modelado de usuarios e interacción adaptada al usuario . 26 (1): 69-101. doi :10.1007/s11257-016-9174-x. ISSN  0924-1868. S2CID  388764.
  109. ^ Dijo, Alan; Bellogín, Alejandro (1 de octubre de 2014). "Evaluación comparativa del sistema de recomendación". Actas de la octava conferencia ACM sobre sistemas de recomendación . RecSys '14. Nueva York, NY, Estados Unidos: ACM. págs. 129-136. doi :10.1145/2645710.2645746. hdl : 10486/665450. ISBN 978-1-4503-2668-1. S2CID  15665277.
  110. ^ Verma, P.; Sharma, S. (2020). "Sistema de recomendación basado en inteligencia artificial". 2020 2da Conferencia Internacional sobre Avances en Computación, Control de Comunicaciones y Redes (ICACCCN) . págs. 669–673. doi :10.1109/ICACCCN51052.2020.9362962. ISBN 978-1-7281-8337-4. S2CID  232150789.
  111. ^ Khanal, SS (julio de 2020). "Una revisión sistemática: sistemas de recomendación basados ​​en aprendizaje automático para e-learning". Tecnología Educativa Inf . 25 (4): 2635–2664. doi :10.1007/s10639-019-10063-9. S2CID  254475908.
  112. ^ ab Zhang, Q. (febrero de 2021). "Inteligencia artificial en sistemas de recomendación". Sistemas Complejos e Inteligentes . 7 : 439–457. doi : 10.1007/s40747-020-00212-w .
  113. ^ Wu, L. (mayo de 2023). "Una encuesta sobre recomendación neuronal orientada a la precisión: del filtrado colaborativo a la recomendación rica en información". Transacciones IEEE sobre conocimiento e ingeniería de datos . 35 (5): 4425–4445. arXiv : 2104.13030 . doi :10.1109/TKDE.2022.3145690.
  114. ^ Samek, W. (marzo de 2021). "Explicación de las redes neuronales profundas y más: una revisión de métodos y aplicaciones". Actas del IEEE . 109 (3): 247–278. arXiv : 2003.07631 . doi : 10.1109/JPROC.2021.3060483 .
  115. ^ Eisenstein, J. (octubre de 2019). Introducción al procesamiento del lenguaje natural . Prensa del MIT. ISBN 9780262042840.

Otras lecturas

Libros
Artículos científicos

enlaces externos