Sistema de recomendación

Sistema de filtrado de información para predecir las preferencias de los usuarios

Un sistema de recomendación , o un sistema de recomendación (a veces reemplazando sistema con términos como plataforma , motor o algoritmo ), es una subclase de sistema de filtrado de información que proporciona sugerencias para los elementos que son más pertinentes para un usuario en particular. [1] [2] [3] Los sistemas de recomendación son particularmente útiles cuando un individuo necesita elegir un elemento de un número potencialmente abrumador de elementos que un servicio puede ofrecer. [1] [4]

Por lo general, las sugerencias se refieren a varios 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. [5] [6] Estos sistemas pueden operar utilizando un solo tipo de entrada, como música, o múltiples entradas dentro y entre plataformas como noticias, libros y consultas de búsqueda. También hay sistemas de recomendación populares para temas específicos como restaurantes y citas en línea . Los sistemas de recomendación también se han desarrollado para explorar artículos de investigación y expertos, [7] colaboradores, [8] y servicios financieros. [9]

Una plataforma de descubrimiento de contenido es una plataforma de recomendación de software implementada que utiliza herramientas de sistema de recomendación. Utiliza metadatos de usuario para descubrir y recomendar contenido apropiado, al tiempo que reduce los costos de mantenimiento y desarrollo continuos. Una plataforma de descubrimiento de contenido ofrece contenido personalizado a sitios web , dispositivos móviles y decodificadores . Actualmente existe una amplia gama de plataformas de descubrimiento de contenido para diversas formas de contenido que van desde artículos de noticias y artículos de revistas académicas [10] hasta televisión. [11] A medida que los operadores compiten por ser la puerta de entrada al entretenimiento en el hogar, la televisión personalizada es un diferenciador clave del servicio. El descubrimiento de contenido académico se ha convertido recientemente en otra área de interés, y se han establecido varias empresas para ayudar a los investigadores académicos a mantenerse actualizados con contenido académico relevante y descubrir contenido nuevo por casualidad. [10]

Descripción general

Los sistemas de recomendación suelen utilizar un filtrado colaborativo o un filtrado basado en el 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 comprados o seleccionados previamente y/o calificaciones numéricas otorgadas a esos artículos), así como decisiones similares tomadas por otros usuarios. Este modelo se utiliza luego para predecir los artículos (o las calificaciones de los artículos) en los que el usuario puede estar interesado. [12] Los enfoques de filtrado basados ​​en el contenido utilizan una serie de características discretas y preetiquetadas de un artículo para recomendar artículos adicionales con propiedades similares. [13]

Las diferencias entre el filtrado colaborativo y el basado en contenido se pueden demostrar comparando dos sistemas de recomendación de música antiguos, Last.fm y Pandora Radio .

  • Last.fm crea una "estación" de canciones recomendadas observando qué bandas y canciones individuales ha escuchado el usuario de forma habitual y comparándolas con el comportamiento de escucha de otros usuarios. Last.fm reproducirá canciones que no aparecen en la biblioteca del usuario, pero que suelen reproducir otros usuarios con intereses similares. Como este enfoque aprovecha el comportamiento de los usuarios, es un ejemplo de una técnica de filtrado colaborativo. [14]
  • Pandora utiliza las propiedades de una canción o artista (un subconjunto de los 400 atributos proporcionados por el Music Genome Project ) para generar una "estación" que reproduzca música con propiedades similares. Los comentarios de los usuarios se utilizan para refinar los resultados de la estación, restando importancia a ciertos atributos cuando a un usuario "no le gusta" una canción en particular y enfatizando otros atributos cuando a un usuario "le gusta" una canción. Este es un ejemplo de un enfoque basado en el contenido.

Cada tipo de sistema tiene sus puntos fuertes y débiles. 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 inicio en frío , y es común en los sistemas de filtrado colaborativo. [15] [16] [17] [18] [19] [20] Mientras que Pandora necesita muy poca información para iniciarse, su alcance es mucho más limitado (por ejemplo, solo puede hacer recomendaciones que sean similares a 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. Cabe destacar que los sistemas de recomendación suelen implementarse utilizando motores de búsqueda que indexan datos no tradicionales.

Los sistemas de recomendación han sido objeto de varias patentes concedidas. [21] [22] [23] [24] [25]

Historia

Elaine Rich creó el primer sistema de recomendación en 1979, llamado Grundy. [26] [27] Buscó una forma de recomendar a los usuarios libros que pudieran gustarles. Su idea era crear un sistema que formulara preguntas específicas a los usuarios y los clasificara en clases de preferencias, o "estereotipos", según sus respuestas. En función de la pertenencia a estereotipos de los usuarios, estos recibirían recomendaciones de libros que podrían gustarles.

Otro sistema de recomendación temprano, llamado "estantería digital", fue descrito en un informe técnico de 1990 por Jussi Karlgren en la Universidad de Columbia, [28] e implementado a escala y trabajado en informes técnicos y publicaciones a partir de 1994 por Jussi Karlgren , entonces en SICS , [29] [30] y grupos de investigación dirigidos por Pattie Maes en el MIT, [31] Will Hill en Bellcore, [32] y Paul Resnick , también en el MIT, [33] [4] cuyo trabajo con GroupLens fue galardonado con el Premio ACM Software Systems Award 2010 .

Montaner proporcionó la primera descripción general de los sistemas de recomendación desde una perspectiva de agente inteligente. [34] Adomavicius proporcionó una descripción general nueva y alternativa de los sistemas de recomendación. [35] Herlocker proporciona una descripción general adicional de las técnicas de evaluación para los sistemas de recomendación, [36] y Beel et al. analizaron los problemas de las evaluaciones fuera de línea. [37] Beel et al. también proporcionaron estudios de literatura sobre los sistemas de recomendación de artículos de investigación disponibles y los desafíos existentes. [38] [39]

Aproches

Filtrado colaborativo

Un ejemplo de filtrado colaborativo basado en un sistema de clasificación

Un enfoque para el diseño de sistemas de recomendación que tiene un uso amplio es el filtrado colaborativo . [40] 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 gustaban en el pasado. El sistema genera recomendaciones utilizando solo información sobre perfiles de calificación para diferentes usuarios o elementos. Al localizar usuarios/elementos similares con un historial de calificación similar al usuario o elemento actual, generan recomendaciones utilizando este vecindario. Los métodos de filtrado colaborativo se clasifican como basados ​​en memoria y basados ​​en modelos. Un ejemplo bien conocido de enfoques basados ​​en memoria es el algoritmo basado en el usuario, [41] mientras que el de los enfoques basados ​​en modelos es la factorización matricial (sistemas de recomendación) . [42]

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 "entender" el elemento en sí. Se han utilizado muchos algoritmos para medir la similitud de usuarios o de elementos en sistemas de recomendación. Por ejemplo, el enfoque de k-vecinos más cercanos (k-NN) [43] y la correlación de Pearson, tal como la implementó por primera vez Allen. [44]

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 .

Algunos ejemplos de recopilación explícita de datos incluyen los siguientes:

  • Pedirle a un usuario que califique un artículo en una escala móvil.
  • Solicitar a un usuario que realice una búsqueda.
  • Pedirle a un usuario que clasifique una colección de elementos del favorito al menos favorito.
  • Presentar dos elementos a un usuario y pedirle que elija el mejor de ellos.
  • Pedirle a un usuario que cree una lista de elementos que le gustan (ver clasificación de Rocchio u otras técnicas similares).

Algunos ejemplos de recopilación de datos implícita incluyen los siguientes:

  • Observar los artículos que un usuario visualiza en una tienda online.
  • Análisis de los tiempos de visualización de un artículo o usuario. [45]
  • Mantener un registro de los artículos que un usuario compra en línea.
  • Obtener una lista de elementos que un usuario ha escuchado o visto en su computadora.
  • Analizar la red social del usuario y descubrir gustos y disgustos similares.

Los enfoques de filtrado colaborativo a menudo sufren tres problemas: inicio en frío , escalabilidad y escasez. [46]

  • Arranque en frío : en el caso de un nuevo usuario o artículo, no hay suficientes datos para hacer recomendaciones precisas. Nota: una solución comúnmente implementada para este problema es el algoritmo de bandido multibrazo . [47] [15] [16] [18] [20]
  • Escalabilidad : existen millones de usuarios y productos en muchos de los entornos en los que estos sistemas hacen recomendaciones, por lo que a menudo se necesita una gran cantidad de potencia computacional para calcular las recomendaciones.
  • Dispersión : la cantidad de artículos vendidos en los principales sitios de comercio electrónico es extremadamente grande. Los usuarios más activos solo habrán calificado un pequeño subconjunto de la base de datos general. Por lo tanto, incluso los artículos más populares tienen muy pocas calificaciones.

Uno de los ejemplos más famosos de filtrado colaborativo es el filtrado colaborativo artículo a artículo (las personas que compran x también compran y), un algoritmo popularizado por el sistema de recomendación de Amazon.com . [48]

Muchas redes sociales utilizaban originalmente el 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 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 artículo y un perfil de las preferencias del usuario. [49] [50] Estos métodos son los más adecuados para situaciones en las que hay datos conocidos sobre un artículo (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 los gustos y disgustos del usuario en función de las características de un artículo.

En este sistema, se utilizan palabras clave para describir los elementos y se crea un perfil de usuario para indicar el tipo de elemento que le gusta al usuario. En otras palabras, estos algoritmos intentan recomendar elementos similares a los que le gustaron al usuario en el pasado o que está examinando en el presente. No se basa en un mecanismo de inicio de sesión del usuario para generar este perfil, a menudo temporal. En particular, se comparan varios elementos candidatos con elementos calificados previamente 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 elemento (es decir, un conjunto de atributos y características discretos) que caracteriza al elemento dentro del sistema. Para abstraer las características de los elementos en el sistema, se aplica un algoritmo de presentación de elementos. Un algoritmo ampliamente utilizado es la representación tf-idf (también llamada representación de espacio vectorial). [51] El sistema crea un perfil basado en contenido de los usuarios basado en un vector ponderado de características de los elementos. Los pesos denotan la importancia de cada característica para el usuario y se pueden calcular a partir de vectores de contenido calificados individualmente utilizando una variedad de técnicas. Los enfoques simples utilizan los valores promedio del vector de elementos calificados, mientras que otros métodos sofisticados utilizan 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 elemento. [52]

Un problema clave con el filtrado basado en contenido es si el sistema puede aprender las preferencias del usuario a partir de las acciones de los usuarios 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 en función de la navegación de noticias. Sin embargo, sería mucho más útil si se pudieran recomendar música, videos, productos, discusiones, etc., de diferentes servicios en función de la navegación de 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, se permite a los usuarios dejar comentarios o reseñas de texto sobre los artículos. Estos textos generados por los usuarios son datos implícitos para el sistema de recomendación porque son recursos potencialmente ricos tanto de características/aspectos del artículo como de la evaluación/sentimiento de los usuarios sobre el artículo. Las características extraídas de las reseñas generadas por los usuarios son metadatos mejorados de los artículos, porque como también reflejan aspectos del artículo como metadatos, las características extraídas son ampliamente preocupantes para los usuarios. Los sentimientos extraídos de las reseñas pueden verse como puntuaciones de calificación de los usuarios en las características correspondientes. Los enfoques populares del sistema de recomendación basado en opiniones utilizan varias técnicas, incluida la minería de texto , la recuperación de información , el análisis de sentimientos (ver también Análisis de sentimientos multimodales ) y el aprendizaje profundo . [53]

Enfoques de recomendaciones híbridas

La mayoría de los sistemas de recomendación utilizan actualmente un enfoque híbrido, que combina el filtrado colaborativo , el filtrado basado en contenido y otros enfoques. No hay ninguna razón por la que no se puedan hibridar varias técnicas diferentes del mismo tipo. Los enfoques híbridos se pueden implementar de varias maneras: haciendo predicciones basadas en contenido y basadas en colaboración por separado y luego combinándolas; añadiendo capacidades basadas en contenido a un enfoque basado en colaboración (y viceversa); o unificando los enfoques en un modelo. [35] Varios estudios 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 inicio en frío y el problema de la escasez, así como el cuello de botella de la ingeniería del conocimiento en los enfoques basados ​​en el conocimiento . [54]

Netflix es un buen ejemplo del uso de sistemas de recomendación híbridos. [55] 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:

  • Ponderado : combina numéricamente la puntuación de diferentes componentes de recomendación.
  • Cambiar : Elegir entre los componentes de recomendación y aplicar el seleccionado.
  • Mixto : Las recomendaciones de diferentes recomendadores se presentan juntas para dar la recomendación.
  • Cascada : a los recomendadores se les da una prioridad estricta y los de menor prioridad desempatan en la puntuación de los de mayor prioridad.
  • Metanivel : se aplica una técnica de recomendación y se produce algún tipo de modelo, que luego es la entrada utilizada por la siguiente técnica. [56]

Tecnologías

Sistemas de recomendación basados ​​en sesiones

Estos sistemas de recomendación utilizan las interacciones de un usuario dentro de una sesión [57] para generar recomendaciones. Los sistemas de recomendación basados ​​en sesiones se utilizan en YouTube [58] y Amazon. [59] Estos son particularmente útiles cuando el historial (como clics anteriores, compras) de un usuario no está disponible o no es relevante en la sesión actual del usuario. 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 , [57] [60] Transformers, [61] y otros enfoques basados ​​en aprendizaje profundo. [62] [63]

Aprendizaje por refuerzo para sistemas de recomendación

El problema de la recomendación puede verse como un caso especial de un problema de aprendizaje de refuerzo en el que el usuario es el entorno sobre el que el agente, el sistema de recomendación, actúa para recibir una recompensa, por ejemplo, un clic o una interacción por parte del usuario. [58] [64] [65] Un aspecto del aprendizaje de refuerzo que es de particular utilidad en el área de los sistemas de recomendación es el hecho de que los modelos o políticas pueden aprenderse 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 de refuerzo permiten entrenar potencialmente modelos que pueden optimizarse directamente en métricas de interacción e interés del usuario. [66]

Sistemas de recomendación multicriterio

Los sistemas de recomendación multicriterio (MCRS) pueden definirse como sistemas de recomendación que incorporan información de preferencias sobre 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 la información de preferencias sobre múltiples criterios que afectan a este valor de preferencia general. Varios investigadores abordan el MCRS como un problema de toma de decisiones multicriterio (MCDM) y aplican métodos y técnicas MCDM para implementar sistemas MCRS. [67] Véase este capítulo [68] para una introducción ampliada.

Sistemas de recomendación conscientes del riesgo

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 enviar recomendaciones en determinadas circunstancias, por ejemplo, durante una reunión profesional, temprano en la mañana o tarde en la noche. Por lo tanto, el rendimiento del sistema de recomendación depende en parte del grado en que haya incorporado el riesgo en el proceso de recomendación. Una opción para gestionar este problema es DRARS , un sistema que modela la recomendación consciente del contexto como un problema de bandido . Este sistema combina una técnica basada en contenido y un algoritmo de bandido contextual. [69]

Sistemas de recomendación para móviles

Los sistemas de recomendación móviles utilizan teléfonos inteligentes con acceso a Internet para ofrecer recomendaciones personalizadas y sensibles al contexto. Se trata de un área de investigación particularmente difícil, ya que los datos móviles son más complejos que los datos con los que los sistemas de recomendación suelen tener que lidiar. Son heterogéneos, ruidosos, requieren autocorrelación espacial y temporal y presentan problemas de validación y generalidad. [70]

Hay tres factores que podrían afectar a los sistemas de recomendación móviles y la precisión de los resultados de predicción: el contexto, el método de recomendación y la privacidad. [71] 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 los taxistas en una ciudad. [70] 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 los tiempos de ocupación y las ganancias.

El premio Netflix

Uno de los eventos que dinamizó la investigación en sistemas de recomendación fue el Premio Netflix . De 2006 a 2009, Netflix patrocinó un concurso, 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 fueran un 10% más precisas que las ofrecidas por el sistema de recomendación existente de la compañía. Este concurso dinamizó la búsqueda de algoritmos nuevos y más precisos. El 21 de septiembre de 2009, el gran premio de US$1,000,000 fue otorgado al equipo Pragmatic Chaos de BellKor utilizando reglas de desempate. [72]

El algoritmo más preciso de 2007 utilizó un método de conjunto de 107 enfoques algorítmicos diferentes, combinados en una única predicción. Como afirmaron los ganadores, Bell et al.: [73]

La precisión predictiva mejora sustancialmente cuando se combinan varios predictores. Nuestra experiencia nos indica que la mayoría de los esfuerzos deberían concentrarse en derivar enfoques sustancialmente diferentes, en lugar de refinar una sola técnica. En consecuencia, nuestra solución es un conjunto de muchos métodos.

El proyecto Netflix trajo consigo muchos beneficios para la web. Algunos equipos han tomado su tecnología y la han aplicado a otros mercados. Algunos miembros del equipo que quedó en segundo lugar fundaron Gravity R&D , un motor de recomendaciones que está activo en la comunidad RecSys . [72] [74] 4-Tell, Inc. creó una solución derivada del proyecto Netflix para sitios web de comercio electrónico.

Surgieron varios problemas de privacidad en torno al conjunto de datos ofrecido por Netflix para el concurso Netflix Prize. Aunque los conjuntos de datos se anonimizaron para preservar la privacidad del cliente, en 2007 dos investigadores de la Universidad de Texas pudieron identificar a usuarios individuales al comparar los conjuntos de datos con las calificaciones de películas en la base de datos de películas de Internet (IMDb) . [75] 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 Video al publicar los conjuntos de datos. [76] Esto, así como las preocupaciones de la Comisión Federal de Comercio , llevaron a la cancelación de un segundo concurso Netflix Prize en 2010. [77]

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, existen tres tipos de evaluaciones : estudios de usuarios, evaluaciones en línea (pruebas A/B) y evaluaciones fuera de línea. [37]

Las métricas más utilizadas son el error cuadrático medio y el error cuadrático medio , este último utilizado en el Premio Netflix. Las métricas de recuperación de información como la precisión y la 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. [78] Sin embargo, muchas de las medidas de evaluación clásicas son muy criticadas. [79]

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

Los estudios de usuarios se realizan a pequeña escala. Se presentan recomendaciones creadas con distintos enfoques de recomendación a unas pocas docenas o cientos de usuarios y luego los usuarios juzgan qué recomendaciones son las mejores.

En las pruebas A/B, las recomendaciones se muestran a miles de usuarios de un producto real y el sistema de recomendación selecciona aleatoriamente al menos dos métodos de recomendación diferentes para generar recomendaciones. La eficacia se mide con medidas implícitas de eficacia, 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. [80]

La efectividad de los enfoques de recomendación se mide entonces 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 dominio 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 usar medidas implícitas de efectividad. Por ejemplo, se puede suponer que un sistema de recomendación es efectivo si es capaz de recomendar tantos artículos como sea posible que estén contenidos en la lista de referencias de un artículo de investigación. Sin embargo, muchos investigadores consideran que este tipo de evaluaciones fuera de línea es crítico. [81] [82] [83] [37] 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. [83] [84] 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. [85] A menudo, los resultados de las denominadas evaluaciones offline no se correlacionan con la satisfacción del usuario realmente evaluada. [86] Esto se debe probablemente a que el entrenamiento offline está muy sesgado hacia los elementos más accesibles, y los datos de las pruebas offline están muy influenciados por los resultados del módulo de recomendación online. [81] [87] Los investigadores han concluido que los resultados de las evaluaciones offline deben verse de forma crítica. [88]

Más allá de la precisión

Por lo general, 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.

  • Diversidad : los usuarios tienden a estar más satisfechos con las recomendaciones cuando hay una mayor diversidad dentro de la lista, por ejemplo, artículos de diferentes artistas. [89] [90]
  • Persistencia de los recomendadores : en algunas situaciones, resulta más eficaz volver a mostrar recomendaciones [91] o dejar que los usuarios vuelvan a calificar los elementos [92] que mostrar elementos nuevos. Existen varias razones para ello. Los usuarios pueden ignorar los elementos cuando se muestran por primera vez, por ejemplo, porque no tuvieron tiempo de inspeccionar las recomendaciones con atención.
  • Privacidad – Los sistemas de recomendación suelen tener que lidiar con problemas de privacidad [93] porque los usuarios tienen que revelar información sensible. La creación de perfiles de usuario utilizando filtrado colaborativo puede ser problemática desde el punto de vista de la privacidad. Muchos países europeos tienen una fuerte cultura de privacidad de datos , y cada intento de introducir cualquier nivel de perfilación de usuarios puede resultar en una respuesta negativa del cliente. Se han llevado a cabo muchas investigaciones sobre los problemas de privacidad actuales en este espacio. El Premio Netflix es particularmente notable por la información personal detallada publicada en su conjunto de datos. Ramakrishnan et al. han realizado una descripción general exhaustiva de las compensaciones entre la personalización y la privacidad y han descubierto que la combinación de vínculos débiles (una conexión inesperada que proporciona recomendaciones fortuitas) y otras fuentes de datos se pueden utilizar para descubrir las identidades de los usuarios en un conjunto de datos anónimos. [94]
  • Datos demográficos de los usuarios : Beel et al. descubrieron que los datos demográficos de los usuarios pueden influir en el grado de satisfacción de los usuarios con las recomendaciones. [95] En su artículo, muestran que los usuarios de mayor edad tienden a estar más interesados ​​en las recomendaciones que los usuarios más jóvenes.
  • Robustez – Cuando los usuarios pueden participar en el sistema de recomendación, se debe abordar la cuestión del fraude. [96]
  • SerendipiaLa serendipia es una medida de “cuán sorprendentes son las recomendaciones”. [97] [90] Por ejemplo, un sistema de recomendación que recomiende leche a un cliente en una tienda de comestibles puede ser perfectamente preciso, pero no es una buena recomendación porque es un artículo obvio que el cliente debería comprar. “[La serendipia] tiene dos propósitos: primero, disminuye la probabilidad de que los usuarios pierdan interés porque el conjunto de opciones es demasiado uniforme. Segundo, estos artículos son necesarios para que los algoritmos aprendan y mejoren por sí mismos”. [98]
  • Confianza : un sistema de recomendación tiene poco valor para un usuario si este no confía en él. [99] Un sistema de recomendación puede generar confianza explicando cómo genera recomendaciones y por qué recomienda un artículo.
  • Etiquetado – La satisfacción del usuario con las recomendaciones puede verse influenciada por el etiquetado de las recomendaciones. [100] Por ejemplo, en el estudio citado, la tasa de clics (CTR) para las recomendaciones etiquetadas como "Patrocinadas" fue menor (CTR=5,93%) que la CTR para recomendaciones idénticas etiquetadas como "Orgánicas" (CTR=8,86%). Las recomendaciones sin etiqueta tuvieron un mejor desempeño (CTR=9,87%) en ese estudio.

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 sistemas de recomendación. El tema de la reproducibilidad parece ser un problema recurrente en algunos lugares de publicación de aprendizaje automático, 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 seleccionadas que aplicaban aprendizaje profundo o métodos neuronales al problema de recomendación top-k, publicado en las principales conferencias (SIGIR, KDD, WWW, RecSys , IJCAI), y ha demostrado que, en promedio, los autores de la encuesta podían reproducir menos del 40% de los artículos, con 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. [101] [102] [103] Trabajos más recientes sobre evaluación comparativa de un conjunto de los mismos métodos llegaron a resultados cualitativamente muy diferentes [104] por los cuales se encontró que los métodos neuronales estaban entre los métodos de mejor desempeño. El aprendizaje profundo y los métodos neuronales para sistemas de recomendación se han utilizado en las soluciones ganadoras en varios desafíos recientes de sistemas de recomendación, WSDM, [105] RecSys Challenge. [106] Además, los métodos neuronales y de aprendizaje profundo se utilizan ampliamente en la industria donde se prueban ampliamente. [107] [58] [59] El tema de la reproducibilidad no es nuevo en los sistemas de recomendación. En 2011, Ekstrand, Konstan , et al. criticaron que "actualmente es difícil reproducir y extender los resultados de la investigación de los sistemas de recomendación", y que las evaluaciones "no se manejan de manera consistente". [108] 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 necesaria para ser juzgada adecuadamente y, por lo tanto, para proporcionar contribuciones significativas". [109] Como consecuencia, gran parte de la investigación sobre sistemas de recomendación puede considerarse no reproducible. [110] 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 llevaron a cabo un estudio de artículos publicados en el campo, así como también compararon algunos de los marcos más populares para la recomendación y encontraron grandes inconsistencias en los resultados, incluso cuando se utilizaron los mismos algoritmos y conjuntos de datos. [111]Algunos investigadores demostraron que pequeñas variaciones en los algoritmos o escenarios de recomendación condujeron a cambios importantes en la eficacia de un sistema de recomendación. Concluyeron que se necesitan siete acciones para mejorar la situación actual: [110] "(1) estudiar otros campos de investigación y aprender de ellos, (2) encontrar un entendimiento común de la reproducibilidad, (3) identificar y comprender los determinantes que afectan la reproducibilidad, (4) realizar experimentos más exhaustivos, (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 la inteligencia artificial en la 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 sugerencias de productos o contenido altamente precisas y personalizadas. [112] 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 dependían de algoritmos inflexibles que podían sugerir elementos en función de las tendencias generales de los usuarios o de similitudes aparentes en el contenido. En comparación, los sistemas impulsados ​​por IA tienen la capacidad de detectar patrones y distinciones sutiles que los métodos tradicionales pueden pasar por alto. [113] Estos sistemas pueden adaptarse a las preferencias individuales específicas, ofreciendo así recomendaciones que están más alineadas con las necesidades individuales del usuario. 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 . [114] 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 requerida ]

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 en función de patrones de comportamiento explícitos o implícitos para formar predicciones. [115] En concreto, se basa en la retroalimentación externa, como las valoraciones con estrellas, el historial de compras, etc., para emitir juicios. El CF hace predicciones sobre las preferencias de los usuarios en función de mediciones de similitud. Básicamente, la teoría subyacente es: "si el usuario A es similar al usuario B, y si a A le gusta el artículo C, entonces es probable que a B también le guste el artículo C".

Hay muchos modelos disponibles para el filtrado colaborativo. Para el filtrado colaborativo aplicado con IA, un modelo común se denomina K-nearest neighbors (K vecinos más cercanos) . Las ideas son las siguientes:

  1. Representación de datos : crea un espacio n-dimensional donde cada eje representa una característica del usuario (calificaciones, compras, etc.). Representa al usuario como un punto en ese espacio.
  2. Distancia estadística : la "Distancia" mide la distancia entre los usuarios en este espacio. Consulte la distancia estadística para obtener detalles computacionales
  3. Identificación de vecinos : en función de las distancias calculadas, busque los k vecinos más cercanos del usuario a los que queremos hacer recomendaciones.
  4. Formulación de recomendaciones predictivas : el sistema analizará las preferencias similares de los k vecinos y hará recomendaciones basadas en esa similitud.

Redes neuronales

Una red neuronal artificial (RNA) es una estructura de modelo de aprendizaje profundo que tiene como objetivo imitar un cerebro humano. Se compone de una serie de neuronas, cada una responsable de recibir y procesar información transmitida desde otras neuronas interconectadas. [116] 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 permite que el sistema ajuste los pesos de activación durante la fase de aprendizaje de la red. La RNA suele estar diseñada para ser un modelo de caja negra . A diferencia del aprendizaje automático regular, 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 la RNA.

Las ANN se utilizan ampliamente en los sistemas de recomendación por su capacidad para utilizar diversos datos. Además de los datos de retroalimentación, las ANN pueden incorporar datos que no son de retroalimentación y que son demasiado complejos para que el filtrado colaborativo los aprenda, y su estructura única permite que las ANN identifiquen señales adicionales a partir de datos que no son de retroalimentación para mejorar la experiencia del usuario. [114] A continuación se presentan algunos ejemplos:

  • Hora y estacionalidad : qué especifica la hora y la fecha o la temporada en que un usuario interactúa con la plataforma.
  • Patrones de navegación del usuario : secuencia de páginas visitadas, tiempo invertido en diferentes partes de un sitio web, movimiento del mouse, etc.
  • Tendencias sociales externas : información de las redes sociales externas

Procesamiento del lenguaje natural

El procesamiento del lenguaje natural es una serie de algoritmos de IA para hacer que el lenguaje humano natural sea accesible y analizable para una máquina. [117] 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 revisión del cliente de Amazon. Amazon analizará los comentarios de retroalimentación de cada cliente y reportará datos relevantes a otros clientes para referencia. Los últimos años han sido testigos del desarrollo de varios modelos de análisis de texto, incluido el análisis semántico latente (LSA), la descomposición en valores singulares (SVD), la asignación de Dirichlet latente (LDA), etc. Sus usos han apuntado constantemente a brindar a los clientes recomendaciones más precisas y personalizadas.

Aplicaciones específicas

Descubrimiento de contenido académico

Un mercado emergente para las plataformas de descubrimiento de contenido es el contenido académico. [118] [119] Aproximadamente 6000 artículos de revistas académicas se publican diariamente, lo que hace que sea cada vez más difícil para los investigadores equilibrar la gestión del tiempo con mantenerse actualizados con las investigaciones relevantes. [10] Aunque las herramientas tradicionales de búsqueda académica como Google Scholar o PubMed proporcionan una base de datos de artículos de revistas de fácil acceso, la recomendación de contenido en estos casos se realiza de manera "lineal", y los usuarios configuran "alarmas" para nuevas publicaciones en función de palabras clave, revistas o autores particulares.

Google Scholar ofrece una herramienta de "Actualizaciones" que sugiere artículos mediante un modelo estadístico que toma como entrada el artículo y las citas autorizadas de los investigadores. [10] Si bien se ha observado que estas recomendaciones son extremadamente buenas, esto plantea un problema para los investigadores que se encuentran en el inicio de su carrera y que pueden carecer de un conjunto suficiente de trabajos para producir recomendaciones precisas. [10]

Toma de decisiones

A diferencia de un sistema de clasificación basado en la participación empleado por las redes sociales y otras plataformas digitales, una clasificación basada en puentes optimiza el contenido que unifica en lugar de polarizar . [120] [121] Los ejemplos incluyen Polis y Remesh, que se han utilizado en todo el mundo para ayudar a encontrar más consenso en torno a cuestiones políticas específicas. [121] Twitter también ha utilizado este enfoque para gestionar sus notas comunitarias , [122] que YouTube planeó poner a prueba en 2024. [123] [124] Aviv Ovadya también aboga por la implementación de algoritmos basados ​​en puentes en las principales plataformas al empoderar a los grupos deliberativos que son representativos de los usuarios de la plataforma para controlar el diseño y la implementación del algoritmo. [125]

Televisión

A medida que el panorama de la televisión conectada continúa evolucionando, se considera que la búsqueda y la recomendación tienen un papel aún más importante en el descubrimiento de contenido. [126] Con dispositivos conectados a banda ancha , se prevé que los consumidores tengan acceso a contenido de fuentes de transmisión lineal, así como de televisión por Internet . Por lo tanto, existe el riesgo de que el mercado se fragmente, lo que dejaría al espectador la tarea de visitar varios lugares y encontrar lo que quiere ver de una manera que le llevaría mucho tiempo y sería complicada. Al utilizar un motor de búsqueda y recomendación, se proporciona a los espectadores un "portal" central desde el que descubrir contenido de varias fuentes en un solo lugar.

Véase 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.ª 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 saben las computadoras lo que queremos antes de que lo hagamos». TIME . Archivado desde el original el 30 de mayo de 2010. Consultado el 1 de junio de 2015 .
  3. ^ Roy, Deepjyoti; Dutta, Mala (2022). "Una revisión sistemática y una perspectiva de investigación sobre los sistemas de recomendación". Revista de Big Data . 9 (59). doi : 10.1186/s40537-022-00592-5 .
  4. ^ ab Resnick, Paul y Hal R. Varian. "Sistemas de recomendación". Communications of the ACM 40, n.º 3 (1997): 56–58.
  5. ^ Gupta, Pankaj; Goel, Ashish; Lin, Jimmy; Sharma, Aneesh; Wang, Dong; Zadeh, Reza (2013). "WTF: el servicio de a quién seguir en Twitter". Actas de la 22.ª Conferencia Internacional sobre la World Wide Web . Association for Computing Machinery. págs. 505–514. doi :10.1145/2488388.2488433. ISBN . 9781450320351.
  6. ^ 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.
  7. ^ H. Chen, AG Ororbia II, CL Giles ExpertSeer: un recomendador experto basado en frases clave para bibliotecas digitales, en arXiv preprint 2015
  8. ^ Chen, Hung-Hsuan; Gou, Liang; Zhang, Xiaolong; Giles, Clyde Lee (2011). "CollabSeer: un motor de búsqueda para el descubrimiento colaborativo" (PDF) . Actas de la 11.ª Conferencia conjunta anual internacional ACM/IEEE sobre bibliotecas digitales . Association for Computing Machinery. págs. 231–240. doi :10.1145/1998076.1998121. ISBN . 9781450307444.
  9. ^ Felfernig, Alexander; Isak, Klaus; Szabo, Kalman; Zachar, Peter (2007). "El entorno de soporte de ventas de servicios financieros VITA" (PDF) . En William Cheetham (ed.). Actas de la 19.ª Conferencia Nacional sobre Aplicaciones Innovadoras de la Inteligencia Artificial, vol. 2. págs. 1692–1699. ISBN 9781577353232.Copia ACM.
  10. ^ abcde jobs (3 de septiembre de 2014). «Cómo domar la avalancha de literatura: Nature News & Comment». Nature . 513 (7516). Nature.com: 129–130. doi : 10.1038/513129a . PMID  25186906. S2CID  4460749.
  11. ^ Análisis (14 de diciembre de 2011). «Netflix renueva su aplicación para iPad para mejorar el descubrimiento de contenido». WIRED . Consultado el 31 de diciembre de 2015 .
  12. ^ Melville, Prem; Sindhwani, Vikas (2010). "Sistemas de recomendación" (PDF) . En Claude Sammut; Geoffrey I. Webb (eds.). Enciclopedia de aprendizaje automático . Springer. págs. 829–838. doi :10.1007/978-0-387-30164-8_705. ISBN . 978-0-387-30164-8.
  13. ^ RJ Mooney y L. Roy (1999). Recomendación de libros basada en contenido utilizando el aprendizaje para la categorización de textos . En Workshop Recom. Sys.: Algo. and Evaluation.
  14. ^ Haupt, Jon (1 de junio de 2009). «Last.fm: radio online impulsada por la gente». Music Reference Services Quarterly . 12 (1–2): 23–24. doi :10.1080/10588160902816702. ISSN  1058-8167. S2CID  161141937.
  15. ^ ab Chen, Hung-Hsuan; Chen, Pu (9 de enero de 2019). "Diferenciación de pesos de regularización: un mecanismo simple para aliviar el inicio en frío en los sistemas de recomendación". ACM Transactions on Knowledge Discovery from Data . 13 : 1–22. doi :10.1145/3285954. S2CID  59337456.
  16. ^ 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.ª ed.). Springer US. págs. 809–846. doi :10.1007/978-1-4899-7637-6_24. ISBN 978-1-4899-7637-6.
  17. ^ Bobadilla, J.; Ortega, F.; Hernando, A.; Alcalá, J. (2011). "Mejora de los resultados y el rendimiento de los sistemas de recomendación de filtrado colaborativo mediante algoritmos genéticos". Knowledge-Based Systems . 24 (8): 1310–1316. doi :10.1016/j.knosys.2011.06.005.
  18. ^ ab Elahi, Mehdi; Ricci, Francesco; Rubens, Neil (2016). "Un estudio sobre aprendizaje activo en sistemas de recomendación de filtrado colaborativo". Computer Science Review . 20 : 29–50. doi :10.1016/j.cosrev.2016.05.002.
  19. ^ Andrew I. Schein; Alexandrin Popescul; Lyle H. Ungar ; David M. Pennock (2002). Métodos y métricas para recomendaciones de arranque en frío. Actas de la 25.ª Conferencia anual internacional ACM SIGIR sobre investigación y desarrollo en recuperación de información (SIGIR 2002). : ACM . págs. 253–260. ISBN  1-58113-561-0. Recuperado el 2 de febrero de 2008 .
  20. ^ ab Bi, Xuan; Qu, Annie; Wang, Junhui; Shen, Xiaotong (2017). "Un sistema de recomendación específico para cada grupo". Revista de la Asociación Estadounidense de Estadística . 112 (519): 1344–1353. doi :10.1080/01621459.2016.1219261. S2CID  125187672.
  21. ^ Stack, Charles. "Sistema y método para proporcionar recomendaciones de bienes y servicios en función del historial de compras registrado". Patente estadounidense 7.222.085, expedida el 22 de mayo de 2007.
  22. ^ Herz, Frederick SM. "Periódicos y anuncios electrónicos personalizados". Patente estadounidense 7.483.871, expedida el 27 de enero de 2009.
  23. ^ Herz, Frederick, Lyle Ungar, Jian Zhang y David Wachob. "Sistema y método para proporcionar acceso a datos utilizando perfiles de clientes". Patente estadounidense 8.056.100, expedida el 8 de noviembre de 2011.
  24. ^ 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 estadounidense 8.468.046, expedida el 18 de junio de 2013.
  25. ^ Linden, Gregory D., Brent Russell Smith y Nida K. Zada. "Detección y exposición automáticas de relaciones basadas en el comportamiento entre elementos navegables". Patente estadounidense 9.070.156, expedida el 30 de junio de 2015.
  26. ^ BEEL, Joeran, et al. Sistemas de recomendación de artículos: una revisión bibliográfica. Revista internacional de bibliotecas digitales, 2016, 17. Jg., Nr. 4, págs. 305–338.
  27. ^ RICH, Elaine. Modelado de usuarios a través de estereotipos. Cognitive science, 1979, 3. Jg., Nr. 4, págs. 329–354.
  28. ^ Karlgren, Jussi. "Un álgebra para recomendaciones". Archivado el 25 de mayo de 2024 en Wayback Machine . Documento de trabajo 179 de Syslab (1990). "
  29. ^ Karlgren, Jussi. "Agrupamiento de grupos de noticias basado en el comportamiento del usuario: un álgebra de recomendaciones Archivado el 27 de febrero de 2021 en Wayback Machine ". Informe de investigación de SICS (1994).
  30. ^ Karlgren, Jussi (octubre de 2017). «Una estantería digital: trabajo original sobre sistemas de recomendación» . Consultado el 27 de octubre de 2017 .
  31. ^ 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. 210-217. ACM Press/Addison-Wesley Publishing Co., 1995.
  32. ^ 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.
  33. ^ Resnick, Paul, Neophytos Iacovou, Mitesh Suchak, Peter Bergström y John Riedl. "GroupLens: una arquitectura abierta para el filtrado colaborativo de noticias en la red". En Actas de la conferencia de la ACM de 1994 sobre trabajo cooperativo con apoyo informático, págs. 175-186. ACM, 1994.
  34. ^ Montaner, M.; Lopez, B.; de la Rosa, JL (junio de 2003). "Una taxonomía de agentes de recomendación en Internet". Artificial Intelligence Review . 19 (4): 285–330. doi :10.1023/A:1022850703159. S2CID  16544257..
  35. ^ ab Adomavicius, G.; Tuzhilin, A. (junio de 2005). "Hacia la próxima generación de sistemas de recomendación: un estudio del estado del arte y las posibles extensiones". IEEE Transactions on Knowledge and Data Engineering . 17 (6): 734–749. CiteSeerX 10.1.1.107.2790 . doi :10.1109/TKDE.2005.99. S2CID  206742345. .
  36. ^ Herlocker, JL; Konstan, JA; Terveen, LG; Riedl, JT (enero de 2004). "Evaluación de sistemas de recomendación de filtrado colaborativo". ACM Trans. Inf. Syst . 22 (1): 5–53. CiteSeerX 10.1.1.78.8384 . doi :10.1145/963770.963772. S2CID  207731647. .
  37. ^ abc Beel, J.; Genzmehr, M.; Gipp, B. (octubre de 2013). "Un análisis comparativo de evaluaciones en línea y fuera de línea y discusión de la evaluación de sistemas 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 .
  38. ^ Beel, J.; Langer, S.; Genzmehr, M.; Gipp, B.; Breitinger, C. (octubre de 2013). "Evaluación de sistemas de recomendación de artículos de investigación: una revisión 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. Número de identificación del sujeto  4411601.
  39. ^ Beel, J.; Gipp, B.; Langer, S.; Breitinger, C. (26 de julio de 2015). "Sistemas de recomendación de artículos de investigación: una revisión bibliográfica". Revista internacional de bibliotecas digitales . 17 (4): 305–338. doi :10.1007/s00799-015-0156-0. S2CID  207035184.
  40. ^ 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 .
  41. ^ Breese, John S.; Heckerman, David; Kadie, Carl (1998). Análisis empírico de algoritmos predictivos para filtrado colaborativo (PDF) (Informe). Microsoft Research.
  42. ^ Koren, Yehuda; Volinsky, Chris (1 de agosto de 2009). "Técnicas de factorización matricial para sistemas de recomendación". Computer . 42 (8): 30–37. CiteSeerX 10.1.1.147.8295 . doi :10.1109/MC.2009.263. S2CID  58370896. 
  43. ^ Sarwar, B.; Karypis, G.; Konstan, J.; Riedl, J. (2000). "Aplicación de la reducción de dimensionalidad en un sistema de recomendación: estudio de caso".,
  44. ^ Allen, RB (1990). Modelos de usuario: teoría, método, práctica . International J. Man-Machine Studies.
  45. ^ Parsons, J.; Ralph, P.; Gallagher, K. (julio de 2004). Uso del tiempo de visualización para inferir las preferencias de los usuarios en sistemas de recomendación . Taller AAAI sobre personalización de la Web semántica, San José, California..
  46. ^ Sanghack Lee y Jihoon Yang y Sung-Yong Park, Descubrimiento de similitud oculta en el filtrado colaborativo para superar el problema de escasez, Discovery Science, 2007.
  47. ^ Felício, Crícia Z.; Paixão, Klérisson VR; Barcelos, Celia AZ; Preux, Philippe (9 de julio de 2017). "Selección de un modelo de bandido multiarmado para la recomendación de usuario de arranque en frío". Actas de la 25.ª Conferencia sobre modelado, adaptación y personalización de usuarios (PDF) . UMAP '17. Bratislava, Eslovaquia: Association for Computing Machinery. págs. 32–40. doi :10.1145/3079628.3079681. ISBN . 978-1-4503-4635-1.S2CID653908  .
  48. ^ Recomendaciones colaborativas que utilizan asignaciones de similitud entre elementos Archivado el 16 de marzo de 2015 en Wayback Machine
  49. ^ Aggarwal, Charu C. (2016). Sistemas de recomendación: el libro de texto . Springer. ISBN 978-3-319-29657-9.
  50. ^ Peter Brusilovsky (2007). La Web adaptativa . Springer. pág. 325. ISBN. 978-3-540-72078-2.
  51. ^ 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 .
  52. ^ Blanda, Stephanie (25 de mayo de 2015). "Sistemas de recomendación en línea: ¿cómo sabe un sitio web lo que quiero?". American Mathematical Society . Consultado el 31 de octubre de 2016 .
  53. ^ 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
  54. ^ Rinke Hoekstra, El cuello de botella de la reingeniería del conocimiento, Web semántica: interoperabilidad, usabilidad, aplicabilidad 1 (2010) 1, IOS Press
  55. ^ Gomez-Uribe, Carlos A.; Hunt, Neil (28 de diciembre de 2015). "El sistema de recomendación de Netflix". ACM Transactions on Management Information Systems . 6 (4): 1–19. doi : 10.1145/2843948 .
  56. ^ Robin Burke, Hybrid Web Recommender Systems Archivado el 12 de septiembre de 2014 en Wayback Machine , pp. 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.
  57. ^ 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].
  58. ^ abc Chen, Minmin; Beutel, Alex; Covington, Paul; Jain, Sagar; Belletti, Francois; Chi, Ed (2018). "Corrección fuera de política de Top-K para un sistema de recomendación REINFORCE". arXiv : 1812.02353 [cs.LG].
  59. ^ ab Yifei, Ma; Narayanaswamy, Balakrishnan; Haibin, Lin; Hao, Ding (2020). "Recomendación temporal-contextual en tiempo real". Actas de la 26.ª Conferencia internacional ACM SIGKDD sobre descubrimiento de conocimientos y minería de datos . Association for Computing Machinery. págs. 2291–2299. doi : 10.1145/3394486.3403278 . ISBN . 978-1-4503-7998-4.S2CID221191348  .
  60. ^ Hidasi, Balázs; Karatzoglou, Alexandros (17 de octubre de 2018). "Redes neuronales recurrentes con ganancias Top-k para recomendaciones basadas en sesiones". Actas de la 27.ª Conferencia internacional de la ACM sobre gestión de la información y el conocimiento . CIKM '18. Turín, Italia: Association for Computing Machinery. págs. 843–852. arXiv : 1706.03847 . doi :10.1145/3269206.3271761. ISBN 978-1-4503-6014-2.S2CID1159769  .
  61. ^ Kang, Wang-Cheng; McAuley, Julian (2018). "Recomendación secuencial autoatenta". arXiv : 1808.09781 [cs.IR].
  62. ^ Li, Jing; Ren, Pengjie; Chen, Zhumin; Ren, Zhaochun; Lian, Tao; Ma, Jun (6 de noviembre de 2017). "Recomendación basada en sesiones de atención neuronal". Actas de la Conferencia de la ACM de 2017 sobre gestión de la información y el conocimiento . CIKM '17. Singapur, Singapur: Association for Computing Machinery. págs. 1419–1428. arXiv : 1711.04725 . doi :10.1145/3132847.3132926. ISBN 978-1-4503-4918-5. Número de identificación del sujeto  21066930.
  63. ^ Liu, Qiao; Zeng, Yifu; Mokhosi, Refuoe; Zhang, Haibin (19 de julio de 2018). "STAMP". Actas de la 24.ª Conferencia internacional ACM SIGKDD sobre descubrimiento de conocimientos y minería de datos . KDD '18. Londres, Reino Unido: Association for Computing Machinery. págs. 1831–1839. doi :10.1145/3219819.3219950. ISBN 978-1-4503-5552-0.S2CID50775765  .
  64. ^ Xin, Xin; Karatzoglou, Alexandros; Arapakis, Ioannis; José, Joemon (2020). "Aprendizaje por refuerzo autosupervisado para sistemas de recomendación". arXiv : 2006.05779 [cs.LG].
  65. ^ Ie, Eugene; Jain, 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 vigésimo octava conferencia conjunta internacional sobre inteligencia artificial (IJCAI-19) : 2592–2599.
  66. ^ Zou, Lixin; Xia, Long; Ding, Zhuoye; Song, Jiaxing; Liu, Weidong; Yin, Dawei (2019). "Aprendizaje de refuerzo para optimizar la participación de los usuarios a largo plazo en los sistemas de recomendación". Actas de la 25.ª Conferencia internacional ACM SIGKDD sobre descubrimiento de conocimientos y minería de datos . KDD '19. págs. 2810–2818. arXiv : 1902.05570 . doi :10.1145/3292500.3330668. ISBN 978-1-4503-6201-6.S2CID62903207  .
  67. ^ Lakiotaki, K.; Matsatsinis; Tsoukias, A (marzo de 2011). "Modelado de usuarios multicriterio en sistemas de recomendación". IEEE Intelligent Systems . 26 (2): 64–76. CiteSeerX 10.1.1.476.6726 . doi :10.1109/mis.2011.33. S2CID  16752808. 
  68. ^ Gediminas Adomavicius; Nikos Manouselis; YoungOk Kwon. "Sistemas de recomendación de criterios múltiples" (PDF) . Archivado desde el original (PDF) el 30 de junio de 2014.
  69. ^ Bouneffouf, Djallel (2013), DRARS, un sistema de recomendación dinámico consciente de los riesgos (Ph.D.), Institut National des Télécommunications
  70. ^ ab Yong Ge; Hui Xiong; Alexander Tuzhilin; Keli Xiao; Marco Gruteser; Michael J. Pazzani (2010). Un sistema de recomendación móvil energéticamente eficiente (PDF) . Actas de la 16.ª 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 .
  71. ^ Pimenidis, Elias; Polatidis, Nikolaos; Mouratidis, Haralambos (3 de agosto de 2018). "Sistemas de recomendación móvil: identificación de los conceptos principales". Revista de Ciencias de la Información . 45 (3): 387–397. arXiv : 1805.02276 . doi :10.1177/0165551518792213. S2CID  19209845.
  72. ^ ab Lohr, Steve (22 de septiembre de 2009). "Una ganga de investigación de un millón de dólares para Netflix, y tal vez un modelo para otros". The New York Times .
  73. ^ R. Bell; 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 .
  74. ^ Bodoky, Thomas (6 de agosto de 2009). "Mátrixfaktorizáció un millón de dólares". Índice .
  75. ^ El ascenso de los hackers de Netflix Archivado el 24 de enero de 2012 en Wayback Machine .
  76. ^ "Netflix reveló su secreto de Brokeback Mountain, según una demanda". WIRED . 17 de diciembre de 2009 . Consultado el 1 de junio de 2015 .
  77. ^ "Actualización del Premio Netflix". Foro del Premio Netflix. 12 de marzo de 2010. Archivado desde el original el 27 de noviembre de 2011. Consultado el 14 de diciembre de 2011 .
  78. ^ Lathia, N., Hailes, S., Capra, L., Amatriain, X.: Diversidad temporal en sistemas de recomendación [ enlace roto ] . En: Actas de la 33.ª Conferencia Internacional ACMSIGIR sobre Investigación y Desarrollo en Recuperación de Información, SIGIR 2010, págs. 210-217. ACM, Nueva York.
  79. ^ Turpin, Andrew H; Hersh, William (2001). "Por qué las evaluaciones por lotes y por usuario no dan los mismos resultados". Actas de la 24.ª conferencia anual internacional ACM SIGIR sobre investigación y desarrollo en recuperación de información . pp. 225–231.
  80. ^ "Conjunto de datos de MovieLens". 6 de septiembre de 2013.
  81. ^ ab Chen, Hung-Hsuan; Chung, Chu-An; Huang, Hsin-Chien; Tsui, Wen (1 de septiembre de 2017). "Errores comunes en el entrenamiento y la evaluación de sistemas de recomendación". Boletín de exploraciones de ACM SIGKDD . 19 : 37–45. doi :10.1145/3137597.3137601. S2CID  10651930.
  82. ^ Jannach, Dietmar; Lerche, Lukas; Gedikli, Fatih; Bonnin, Geoffray (10 de junio de 2013). "Lo que recomiendan los recomendadores: un análisis de los efectos de precisión, popularidad y diversidad de ventas". En Carberry, Sandra; Weibelzahl, Stephan; Micarelli, Alessandro; Semeraro, Giovanni (eds.). Modelado, adaptación y personalización de usuarios . Notas de clase en informática. Vol. 7899. Springer Berlin 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.
  83. ^ ab Turpin, Andrew H.; Hersh, William (1 de enero de 2001). "Por qué las evaluaciones por lotes y por usuario no dan los mismos resultados". Actas de la 24.ª conferencia anual internacional ACM SIGIR sobre investigación y desarrollo en recuperación de información . SIGIR '01. Nueva York, NY, EE. UU.: ACM. pp. 225–231. CiteSeerX 10.1.1.165.5800 . doi :10.1145/383952.383992. ISBN .  978-1-58113-331-8. Número de identificación del sujeto  18903114.
  84. ^ 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 sistemas de recomendación de artículos de investigación". En Kapidakis, Sarantos; Mazurek, Cezary; Werla, Marcin (eds.). Investigación y tecnología avanzada para bibliotecas digitales . Apuntes de clase en informática. Vol. 9316. Springer International Publishing. págs. 153–168. doi :10.1007/978-3-319-24592-8_12. ISBN . 978-3-319-24591-1.
  85. ^ Basaran, Daniel; Ntoutsi, Eirini; Zimek, Arthur (2017). Actas de la Conferencia Internacional SIAM de 2017 sobre Minería de Datos . págs. 390–398. doi :10.1137/1.9781611974973.44. ISBN 978-1-61197-497-3.
  86. ^ Beel, Joeran; Genzmehr, Marcel; Langer, Stefan; Nürnberger, Andreas; Gipp, Bela (1 de enero de 2013). "Un análisis comparativo de evaluaciones en línea y fuera de línea y discusión de 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, EE. UU.: ACM. págs. 7–14. CiteSeerX 10.1.1.1031.973 . doi :10.1145/2532508.2532511. ISBN.  978-1-4503-2465-6.S2CID8202591  .
  87. ^ Cañamares, Rocío; Castells, Pablo (julio de 2018). ¿Debo seguir a la multitud? Un análisis probabilístico de la efectividad de la popularidad en los sistemas de recomendación (PDF) . 41.ª Conferencia anual internacional ACM SIGIR sobre investigación y desarrollo en recuperación de información (SIGIR 2018). Ann Arbor, Michigan, EE. UU.: ACM. pp. 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 .
  88. ^ Cañamares, Rocío; Castells, Pablo; Moffat, Alistair (marzo de 2020). «Opciones de evaluación offline para sistemas de recomendación» (PDF) . Recuperación de información . 23 (4). Springer: 387–410. doi :10.1007/s10791-020-09371-3. S2CID  213169978.
  89. ^ Ziegler CN, McNee SM, Konstan JA, Lausen G (2005). "Mejorar las listas de recomendaciones mediante la diversificación de temas". Actas de la 14.ª conferencia internacional sobre la World Wide Web . págs. 22–32.
  90. ^ 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.ª ed.). Springer US. pp. 881–918. doi :10.1007/978-1-4899-7637-6_26. ISBN 978-1-4899-7637-6.
  91. ^ Joeran Beel; Stefan Langer; Marcel Genzmehr; Andreas Nürnberger (septiembre de 2013). "Persistencia en 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 17.ª Conferencia internacional sobre teoría y práctica de bibliotecas digitales (TPDL 2013) . Lecture Notes of Computer Science (LNCS). Vol. 8092. Springer. págs. 390–394 . Consultado el 1 de noviembre de 2013 .
  92. ^ Cosley, D.; Lam, SK; Albert, I.; Konstan, JA; Riedl, J (2003). "Is viewing believer?: how recommendation system interfaces affect users' opinions" (PDF) . Actas de la conferencia SIGCHI sobre factores humanos en sistemas informáticos . págs. 585–592. S2CID  8307833.
  93. ^ Pu, P.; Chen, L.; Hu, R. (2012). "Evaluación de sistemas de recomendación desde la perspectiva del usuario: estudio del estado del arte" (PDF) . Modelado de usuarios e interacción adaptada al usuario : 1–39.
  94. ^ Naren Ramakrishnan; Benjamin J. Keller; Batul J. Mirza; Ananth Y. Grama; George Karypis (2001). "Riesgos de privacidad en sistemas de recomendación". IEEE Internet Computing . 5 (6). Piscataway, NJ: Departamento de Actividades Educativas del IEEE: 54–62. CiteSeerX 10.1.1.2.2932 . doi :10.1109/4236.968832. ISBN  978-1-58113-561-9.S2CID 1977107  .
  95. ^ Joeran Beel; Stefan Langer; Andreas Nürnberger; Marcel Genzmehr (septiembre de 2013). "El impacto de la demografía (edad y género) y otras características de los usuarios en la evaluación de los sistemas de recomendación" (PDF) . En Trond Aalberg; Milena Dobreva; Christos Papatheodorou; Giannis Tsakonas; Charles Farrugia (eds.). Actas de la 17.ª Conferencia internacional sobre teoría y práctica de bibliotecas digitales (TPDL 2013) . Springer. págs. 400–404 . Consultado el 1 de noviembre de 2013 .
  96. ^ 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.
  97. ^ Ricci F, Rokach L, Shapira B, Kantor BP (2011). Manual de sistemas de recomendación . págs. 1–35. Código Bibliográfico :2011rsh..book.....R.
  98. ^ Möller, Judith; Trilling, Damian; Helberger, Natali; van Es, Bram (3 de julio de 2018). "No le echemos la culpa al algoritmo: una evaluación empírica de múltiples sistemas de recomendación y su impacto en la diversidad de contenido". 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.
  99. ^ 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.
  100. ^ Beel, Joeran, Langer, Stefan, Genzmehr, Marcel (septiembre de 2013). "Recomendaciones de artículos de investigación patrocinados y orgánicos y el impacto del etiquetado" (PDF) . En Trond Aalberg, Milena Dobreva, Christos Papatheodorou, Giannis Tsakonas, Charles Farrugia (eds.). Actas de la 17.ª Conferencia internacional sobre teoría y práctica de bibliotecas digitales (TPDL 2013) . págs. 395–399 . Consultado el 2 de diciembre de 2013 .
  101. ^ Ferrari Dacrema, Maurizio; Boglio, Simone; Cremonesi, Paolo; Jannach, Dietmar (8 de enero de 2021). "Un análisis preocupante de la reproducibilidad y el progreso en la investigación de sistemas de recomendación". ACM Transactions on Information Systems . 39 (2): 1–49. arXiv : 1911.07698 . doi :10.1145/3434185. hdl :11311/1164333. S2CID  208138060.
  102. ^ Ferrari Dacrema, Maurizio; Cremonesi, Paolo; Jannach, Dietmar (2019). "¿Realmente estamos logrando muchos avances? Un análisis preocupante de los enfoques de recomendación neuronal recientes". Actas de la 13.ª Conferencia de la 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 .
  103. ^ Rendle, Steffen; Krichene, Walid; Zhang, Li; Anderson, John (22 de septiembre de 2020). "Neural Collaborative Filtering vs. Matrix Factorization Revisited". Decimocuarta Conferencia de la ACM sobre Sistemas de Recomendación . págs. 240–248. arXiv : 2005.09683 . doi : 10.1145/3383313.3412488 . ISBN . 978-1-4503-7583-2.
  104. ^ 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. Número de identificación del sujeto  221785064.
  105. ^ Schifferer, Benedikt; Deotte, Chris; Puget, Jean-François; de Souza Pereira, Gabriel; Titericz, Gilberto; Liu, Jiwei; Ak, Ronay. "Uso de aprendizaje profundo para ganar el desafío Booking.com WSDM WebTour21 sobre recomendaciones secuenciales" (PDF) . WSDM '21: Conferencia de la 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 .
  106. ^ 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. Número de identificación del sujeto  52942462.
  107. ^ Yves Raimond, Justin Basilico Aprendizaje profundo para sistemas de recomendación, Deep Learning Re-Work SF Summit 2018
  108. ^ Ekstrand, Michael D.; Ludwig, Michael; Konstan, Joseph A.; Riedl, John T. (1 de enero de 2011). "Replanteamiento del ecosistema de investigación de recomendadores". Actas de la quinta conferencia de la ACM sobre sistemas de recomendación . RecSys '11. Nueva York, NY, EE. UU.: ACM. págs. 133–140. doi :10.1145/2043932.2043958. ISBN 978-1-4503-0683-6. Número de identificación del sujeto  2215419.
  109. ^ Konstan, Joseph A.; Adomavicius, Gediminas (1 de enero de 2013). "Hacia la identificación y adopción de las 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, EE. UU.: ACM. págs. 23–28. doi :10.1145/2532508.2532513. ISBN 978-1-4503-2465-6.S2CID 333956  .
  110. ^ 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.
  111. ^ Said, Alan; Bellogín, Alejandro (1 de octubre de 2014). "Evaluación comparativa de sistemas de recomendación". Actas de la 8.ª Conferencia de la ACM sobre sistemas de recomendación . RecSys '14. Nueva York, NY, EE. UU.: ACM. pp. 129–136. doi :10.1145/2645710.2645746. hdl :10486/665450. ISBN 978-1-4503-2668-1.S2CID 15665277  .
  112. ^ Verma, P.; Sharma, S. (2020). "Sistema de recomendación basado en inteligencia artificial". 2020 2nd International Conference on Advances in Computing, Communication Control and Networking (ICACCCN) . págs. 669–673. doi :10.1109/ICACCCN51052.2020.9362962. ISBN 978-1-7281-8337-4. Número de identificación del sujeto  232150789.
  113. ^ Khanal, SS (julio de 2020). "Una revisión sistemática: sistemas de recomendación basados ​​en aprendizaje automático para el aprendizaje electrónico". Educ Inf Technol . 25 (4): 2635–2664. doi :10.1007/s10639-019-10063-9. S2CID  254475908.
  114. ^ 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 .
  115. ^ Wu, L. (mayo de 2023). "Una encuesta sobre la recomendación neuronal orientada a la precisión: del filtrado colaborativo a la recomendación rica en información". IEEE Transactions on Knowledge and Data Engineering . 35 (5): 4425–4445. arXiv : 2104.13030 . doi :10.1109/TKDE.2022.3145690.
  116. ^ Samek, W. (marzo de 2021). "Explicación de las redes neuronales profundas y más allá: una revisión de métodos y aplicaciones". Actas del IEEE . 109 (3): 247–278. arXiv : 2003.07631 . doi : 10.1109/JPROC.2021.3060483 .
  117. ^ Eisenstein, J. (octubre de 2019). Introducción al procesamiento del lenguaje natural . Prensa del MIT. ISBN 9780262042840.
  118. ^ Mirkin, Sima (4 de junio de 2014). ""Extending and Customizing Content Discovery for the Legal Academic Com" por Sima Mirkin". Artículos en revistas jurídicas y otras revistas académicas . Digital Commons @ American University Washington College of Law . Consultado el 31 de diciembre de 2015 .
  119. ^ "Mendeley, Elsevier y la importancia del descubrimiento de contenido para los editores académicos". Archivado desde el original el 17 de noviembre de 2014 . Consultado el 8 de diciembre de 2014 .
  120. ^ Thorburn, Luke; Ovadya, Aviv (31 de octubre de 2023). «Los algoritmos de las redes sociales se pueden rediseñar para superar las brechas: así es como». Nieman Lab . Consultado el 17 de julio de 2024 .
  121. ^ ab Ovadya, Aviv (17 de mayo de 2022). «Bridging-Based Ranking». Belfer Center de la Universidad de Harvard . pp. 1, 14–28 . Consultado el 17 de julio de 2024 .
  122. ^ Smalley, Alex Mahadevan, Seth (8 de noviembre de 2022). "Elon Musk mantiene viva a Birdwatch, bajo un nuevo nombre". Poynter . Consultado el 17 de julio de 2024 .{{cite web}}: CS1 maint: varios nombres: lista de autores ( enlace )
  123. ^ Shanklin, Will (17 de junio de 2024). "La función de notas de la comunidad de YouTube copia una página del manual de X". Engadget . Consultado el 17 de julio de 2024 .
  124. ^ Novak, Matt (17 de junio de 2024). «YouTube agrega una función experimental de notas comunitarias para combatir la desinformación». Gizmodo . Consultado el 17 de julio de 2024 .
  125. ^ Ovadya, Aviv (17 de mayo de 2022). «Bridging-Based Ranking». Belfer Center for Science and International Affairs de la Universidad de Harvard . pp. 21–23 . Consultado el 17 de julio de 2024 .
  126. ^ La nueva cara de la televisión

Lectura adicional

Libros
  • Kim Falk (fallecida en 2019), Sistemas de recomendación prácticos, Manning Publications, ISBN 9781617292705 
  • Bharat Bhasker; K. Srikumar (2010). Sistemas de recomendación en comercio electrónico. TAZA. ISBN 978-0-07-068067-8. Archivado desde el original el 1 de septiembre de 2010.
  • Jannach, Dietmar; Markus Zanker; Alejandro Felfernig; Gerhard Friedrich (2010). Sistemas de recomendación: una introducción. TAZA. ISBN 978-0-521-49336-9. Archivado desde el original el 31 de agosto de 2015.
  • Seaver, Nick (2022). Computing Taste: Algorithms and the Makers of Music Recommendation . Prensa de la Universidad de Chicago.
Artículos científicos
  • Robert M. Bell; Jim Bennett; Yehuda Koren y Chris Volinsky (mayo de 2009). «El premio de programación del millón de dólares». IEEE Spectrum . Archivado desde el original el 11 de mayo de 2009. Consultado el 10 de diciembre de 2018 .
  • Prem Melville, Raymond J. Mooney y Ramadass Nagarajan. (2002) Content-Boosted Collaborative Filtering for Improved Recommendations. Actas de la Decimoctava Conferencia Nacional sobre Inteligencia Artificial (AAAI-2002), págs. 187-192, Edmonton, Canadá, julio de 2002.
Obtenido de "https://es.wikipedia.org/w/index.php?title=Sistema_de_recomendación&oldid=1254343025#Filtrado_basado_en_contenido"