Filtrado colaborativo
La idea central
Si dos usuarios coinciden en muchos ítems valorados, es probable que coincidan en otros. Recomendar se reduce a encontrar vecinos similares y propagar sus preferencias.
La matriz usuario-ítem
- Filas usuarios, columnas ítems, celdas valoraciones o interacciones.
- Es enormemente dispersa: cada usuario conoce una gota del catálogo.
- La escasez es el gran reto a domar.
Similitud entre usuarios
Basado en vecinos: se mide cuánto se parecen dos usuarios con coseno o correlación y se promedian las valoraciones de los más afines para predecir la tuya.
Similitud entre ítems
En vez de usuarios parecidos, se buscan ítems covalorados juntos. «Quien compró X también compró Y» es la variante item-item, más estable ante usuarios nuevos.
Medidas de similitud
El coseno compara direcciones ignorando magnitudes; la correlación centra las medias. Elegirlas bien importa, pues usuarios con escalas distintas engañan a medidas ingenuas.
Vecinos y ponderación
- Se toman los k vecinos más parecidos, no todos.
- Cada vecino pesa según su similitud, no por igual.
- k pequeño es ruidoso; k grande diluye la especificidad.
El arranque en frío
Un usuario o ítem nuevo no tiene historial con el que calcular similitud. Es el talón de Aquiles del método puro, que ciega ante lo desconocido.
Frecuentistas frente a populares
La similitud simple sobrevalora ítems muy populares. Conviene regular o ponderar por rareza para no recomendar siempre los éxitos de masas.
Límites del enfoque
Sufre con matrices muy dispersas, dominios estrechos y burbujas de filtros. Aun así, su elegancia y buen rendimiento lo hicieron durante años el motor de los recomendadores.
Errores frecuentes
- Recomendar siempre lo popular confundiendo similitud con frecuencia y enterrando la cola larga.
- Ignorar el arranque en frío y dejar sin sugerencias a usuarios o ítems recién llegados.
- Usar todas las valoraciones en vez de los k vecinos más parecidos, diluyendo la señal con ruido.
Ejemplo resuelto: recomendar con vecinos
Quieres sugerir películas a partir de un histórico de valoraciones:
- Construyes la matriz usuario-ítem con las notas conocidas.
- Mides la similitud entre usuarios con coseno sobre sus valoraciones.
- Eliges los k vecinos más parecidos al usuario objetivo.
- Promedias ponderado por similitud sus valoraciones de cada película.
- Recomiendas las de predicción más alta que el usuario aún no vio.
¿Para qué sirve en la realidad?
El «a los que te gustó X también les gustó Y» de tiendas y plataformas de streaming nace del filtrado colaborativo: sin entender el contenido, la sabiduría colectiva de las valoraciones hace el trabajo.
El filtrado colaborativo basado en vecinos recomienda un ítem a un usuario principalmente porque:
El filtrado colaborativo puro puede recomendar sin problema un ítem recién publicado sin ninguna interacción.
Colaborativo
Toca una tarjeta para ver la respuesta.
Ordena el funcionamiento del filtrado colaborativo por vecinos:
Arrastra cada ficha a su categoría (o tócala y luego toca la categoría). También puedes usar el teclado.
Filtrado colaborativoRecomendación basada en el comportamiento de la comunidad.
Une cada término del filtrado colaborativo con su idea.
Dime con quién coincides
- Filtrado colaborativo
- Usuarios
- vecinos afines
- vecinos afines
- coseno o correlacion
- Usuarios
- covalorados juntos
- matriz dispersa
- arranque en frio
Vecinos más cercanosLa búsqueda de similitud que alimenta el método basado en vecinos.
Llega un usuario completamente nuevo a tu plataforma. ¿Puede el filtrado colaborativo puro recomendarle? Razona y propone cómo suavizar ese arranque en frío.
Tu texto se guarda sólo en este dispositivo.
Comentarios
Inicia sesión para comentar.
Todavía no hay comentarios. Sé la primera persona en opinar.