En esta página, se incluyen los términos del glosario de Sistemas de recomendación. Para ver todos los términos del glosario, haz clic aquí.
C
generación de candidatos
Corresponde al conjunto inicial de recomendaciones elegidas por un sistema de recomendaciones. Por ejemplo, considera una librería que ofrece 100,000 títulos. La fase de generación de candidatos crea una lista mucho más pequeña de libros adecuados para un usuario en particular, digamos 500. Pero incluso 500 libros son demasiados para recomendar a un usuario. Las fases posteriores y más costosas de un sistema de recomendación (como la puntuación y la reclasificación) reducen esas 500 recomendaciones a un conjunto de recomendaciones mucho más pequeño y útil.
filtrado colaborativo
Hacer predicciones sobre los intereses de un usuario en función de los intereses de muchos otros usuarios El filtrado colaborativo se usa a menudo en los sistemas de recomendación.
I
matriz de elementos
En los sistemas de recomendación, es una matriz de vectores de incorporación generada por la factorización de matrices que contiene señales latentes sobre cada elemento. Cada fila de la matriz de elementos contiene el valor de un solo atributo latente para todos los elementos. Por ejemplo, considera un sistema de recomendación de películas. Cada columna en la matriz de elementos representa una sola película. Las señales latentes pueden representar géneros o ser más difíciles de interpretar que impliquen interacciones complejas entre género, estrellas, antigüedad de la película y otros factores.
La matriz de elementos tiene la misma cantidad de columnas que la matriz objetivo que se factoriza. Por ejemplo, en un sistema de recomendación de películas que evalúa 10,000 títulos de películas, la matriz de elementos tendrá 10,000 columnas.
items
En un sistema de recomendación, son las entidades que recomienda un sistema. Por ejemplo, los elementos que recomienda una tienda de videos son videos, mientras que los libros son los que recomienda una librería.
M
factorización de matrices
En matemáticas, es un mecanismo para encontrar las matrices cuyo producto escalar se aproxima a una matriz objetivo.
En los sistemas de recomendación, la matriz objetivo a menudo conserva las calificaciones de los usuarios en los elementos. Por ejemplo, la matriz objetivo para un sistema de recomendación de películas podría verse de la siguiente manera, en la que los números enteros positivos son calificaciones de los usuarios y 0 significa que el usuario no calificó la película:
| Casablanca | La historia de Filadelfia | Pantera Negra | Mujer Maravilla | Tiempos violentos | |
|---|---|---|---|---|---|
| Usuario 1 | 5.0 | 3.0 | 0.0 | 2.0 | 0.0 |
| Usuario 2 | 4.0 | 0.0 | 0.0 | 1.0 | 5.0 |
| Usuario 3 | 3.0 | 1.0 | 4.0 | 5.0 | 0.0 |
El sistema de recomendación de películas tiene como objetivo predecir las calificaciones de los usuarios para las películas que no se calificaron. Por ejemplo, ¿le gustará al Usuario 1 Pantera Negra?
Un enfoque para los sistemas de recomendación es usar la factorización de matrices para generar las siguientes dos matrices:
- Una matriz de usuarios, formada por la cantidad de usuarios X la cantidad de dimensiones de incorporación.
- Una matriz de elementos, formada como la cantidad de dimensiones de incorporación X la cantidad de elementos
Por ejemplo, el uso de la factorización de matrices en nuestros tres usuarios y cinco elementos podría generar la siguiente matriz de usuarios y matriz de elementos:
User Matrix Item Matrix 1.1 2.3 0.9 0.2 1.4 2.0 1.2 0.6 2.0 1.7 1.2 1.2 -0.1 2.1 2.5 0.5
El producto escalar de la matriz de usuarios y la matriz de elementos produce una matriz de recomendaciones que contiene no solo las calificaciones originales de los usuarios, sino también las predicciones para las películas que cada usuario no vio. Por ejemplo, considera la calificación del Usuario 1 de Casablanca que fue de 5.0. El producto escalar que corresponde a esa celda en la matriz de recomendación debería ser aproximadamente 5.0 y es:
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
Más importante aún, ¿le gustará al Usuario 1 Pantera Negra? Tomando el producto escalar correspondiente a la primera fila y a la tercera columna, se obtiene una calificación prevista de 4.3:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
La factorización de matrices generalmente produce una matriz de usuarios y una matriz de elementos que, en conjunto, son significativamente más compactas que la matriz objetivo.
R
sistema de recomendación
Es un sistema que selecciona para cada usuario un conjunto relativamente pequeño de elementos deseables de un gran corpus. Por ejemplo, un sistema de recomendación de videos podría recomendar dos videos de un corpus de 100,000 videos, seleccionando Casablanca y The Philadelphia Story para un usuario, y Mujer Maravilla y Pantera Negra para otro. Un sistema de recomendación de video puede basar sus recomendaciones en factores como los siguientes:
- Películas que usuarios similares calificaron o miraron.
- Género, directores, actores, segmento demográfico objetivo...
reclasificación
La etapa final de un sistema de recomendación, durante la cual los elementos calificados se pueden volver a calificar de acuerdo con algún otro algoritmo (por lo general, no de AA). La reclasificación evalúa la lista de elementos generados por la fase de puntuación mediante acciones como las siguientes:
- Eliminar los artículos que el usuario ya compró
- Aumentar la puntuación de los elementos más recientes
S
puntuación
La parte de un sistema de recomendación que proporciona un valor o una clasificación para cada elemento producido en la fase de generación de candidatos.
U
matriz de usuarios
En los sistemas de recomendación, es un vector de incorporación generado por la factorización de matrices que contiene indicadores latentes sobre las preferencias del usuario. Cada fila de la matriz de usuarios contiene información sobre la fuerza relativa de varias señales latentes para un solo usuario. Por ejemplo, considera un sistema de recomendación de películas. En este sistema, las señales latentes de la matriz de usuarios pueden representar el interés de cada usuario en géneros particulares o pueden ser señales más difíciles de interpretar que impliquen interacciones complejas entre varios factores.
La matriz de usuarios tiene una columna para cada atributo latente y una fila para cada usuario. Es decir, la matriz de usuarios tiene la misma cantidad de filas que la matriz objetivo que se factoriza. Por ejemplo, en un sistema de recomendación de películas para 1,000,000 de usuarios, la matriz de usuarios tendrá 1,000,000 de filas.
W
mínimos cuadrados ponderados alternos (WALS)
Algoritmo para minimizar la función objetiva durante la factorización de matrices en sistemas de recomendación, lo que permite disminuir la ponderación de los ejemplos faltantes. WALS minimiza el error cuadrático ponderado entre la matriz original y la reconstrucción al alternar entre la fijación de la factorización de filas y la de columnas. Cada una de estas optimizaciones puede resolverse con optimización convexa de mínimos cuadrados. Para obtener más información, consulta el curso de Sistemas de recomendación.