Sistemas de recomendación y de contenido
Los sistemas de recomendación sugieren elementos que probablemente interesen a un usuario, proporcionando un acceso personalizado a la información que complementa la búsqueda basada en consultas.
Definition
Un sistema de recomendación predice la preferencia de un usuario por los elementos y presenta un conjunto de sugerencias clasificadas, utilizando evidencia como el contenido del elemento, el comportamiento pasado del usuario y el comportamiento de otros usuarios, para apoyar el acceso personalizado a la información sin requerir una consulta explícita.
Scope
Esta área abarca los sistemas que recomiendan proactivamente elementos a los usuarios: la recomendación basada en contenido que empareja elementos con perfiles de usuario, el filtrado colaborativo que explota patrones entre usuarios y elementos, los métodos híbridos y conscientes del contexto que combinan señales y se adaptan a la situación, y la evaluación de las recomendaciones. Trata la recomendación como una rama de acceso a la información orientada a la personalización, estrechamente relacionada con la recuperación, compartiendo representaciones e ideas de evaluación mientras aborda el problema distinto de sugerir elementos sin una consulta explícita.
Sub-topics
Core questions
- ¿Cómo se infieren las preferencias del usuario a partir de calificaciones explícitas y comportamiento implícito?
- ¿En qué se diferencia la recomendación basada en contenido del filtrado colaborativo?
- ¿Cómo explotan los métodos colaborativos los patrones entre muchos usuarios y elementos?
- ¿Cómo se combinan las señales de contenido, conductuales y contextuales?
- ¿Cómo se mide la calidad de la recomendación más allá de la precisión predictiva?
Key concepts
- perfiles de usuario y de elemento
- retroalimentación explícita e implícita
- recomendación basada en contenido
- filtrado colaborativo
- factorización de matrices / factores latentes
- problema del arranque en frío (cold-start problem)
- recomendación consciente del contexto
- clasificación y diversidad de recomendaciones
Key theories
- Filtrado basado en contenido versus filtrado colaborativo
- Los métodos basados en contenido recomiendan elementos similares a los que le gustaron a un usuario utilizando las características del elemento, mientras que el filtrado colaborativo recomienda elementos que les gustaron a usuarios similares utilizando la matriz de interacción usuario-elemento, cada uno con fortalezas y debilidades complementarias.
- Factorización de matrices y modelos de factores latentes
- El filtrado colaborativo puede plantearse como la factorización de la matriz dispersa de calificaciones usuario-elemento en factores de usuario y de elemento de baja dimensión, cuyos productos escalares predicen las preferencias, una técnica central en la recomendación moderna.
Clinical relevance
Los sistemas de recomendación son fundamentales para el comercio electrónico, la transmisión de medios, las noticias, las plataformas sociales y la publicidad en línea, dando forma a gran parte de lo que los usuarios encuentran en línea. Comparten representaciones, clasificación y métodos de evaluación con la recuperación, y preocupaciones como la diversidad, la equidad y las burbujas de filtro hacen que su diseño sea consecuente.
History
Los sistemas de recomendación surgieron a mediados de la década de 1990 con los primeros sistemas de filtrado colaborativo como GroupLens. La competición Netflix Prize (2006-2009) impulsó importantes avances en los métodos de factorización de matrices, y el campo maduró hasta convertirse en una disciplina amplia que abarca enfoques basados en contenido, colaborativos, híbridos y conscientes del contexto, consolidados en manuales y libros de texto completos.
Key figures
- Joseph Konstan
- John Riedl
- Gediminas Adomavicius
- Charu Aggarwal
- Francesco Ricci
Related topics
Seminal works
- ricci2015
- adomavicius2005
- ekstrand2011
Frequently asked questions
- ¿En qué se diferencia la recomendación de la búsqueda?
- La búsqueda responde a una consulta explícita que expresa una necesidad inmediata, mientras que la recomendación sugiere proactivamente elementos basándose en las preferencias inferidas y el contexto de un usuario, a menudo sin ninguna consulta. Comparten representaciones y mecanismos de clasificación, pero resuelven problemas de acceso a la información diferentes.
- ¿Qué es el problema del arranque en frío (cold-start problem)?
- El arranque en frío es la dificultad de recomendar para nuevos usuarios o nuevos elementos con poca o ninguna historia de interacción. Sin calificaciones o comportamiento de los que aprender, los métodos colaborativos tienen dificultades, por lo que a menudo se utilizan características basadas en contenido y enfoques híbridos para salvar esta brecha.