Ventajas
No es necesario tener conocimientos sobre el dominio
No necesitamos conocimientos del dominio porque las incorporaciones se aprenden automáticamente.Serendipia
El modelo puede ayudar a los usuarios a descubrir nuevos intereses. De forma aislada, el sistema de AA puede no sabe que el usuario está interesado en un elemento determinado, pero el modelo aún podría recomendarlo porque otros usuarios similares están interesados en ese artículo,Excelente punto de partida
Hasta cierto punto, el sistema solo necesita la matriz de retroalimentación para entrenarla. de factorización. En particular, el sistema no necesita funciones contextuales. En la práctica, esto se puede utilizar como uno de los múltiples generadores de candidatos.
Desventajas
No se pueden procesar elementos nuevos
La predicción del modelo para un par determinado (usuario, elemento) es el punto el producto de las incorporaciones correspondientes. Por lo tanto, si un elemento no se ve durante el entrenamiento, el sistema no puede crear una incorporación consultar el modelo con este elemento. Este problema suele denominarse problema de inicio en frío. Sin embargo, las siguientes técnicas pueden abordar el problema de inicio en frío hasta cierto punto:
Proyección en WALS. Dado un nuevo elemento \(i_0\) que no se ve en el entrenamiento, Si el sistema tiene algunas interacciones con los usuarios, puede calcular fácilmente una incorporación \(v_{i_0}\) para este elemento sin tener volver a entrenar todo el modelo. El sistema simplemente tiene que resolver los siguientes problemas ecuación o la versión ponderada:
\[\min_{v_{i_0} \in \mathbb R^d} \|A_{i_0} - U v_{i_0}\|\]
La ecuación anterior corresponde a una iteración en WALS: la las incorporaciones de usuario se mantienen fijas y el sistema resuelve las incorporaciones del elemento \(i_0\). Lo mismo se puede hacer para un usuario nuevo.
Heurística para generar incorporaciones de elementos nuevos. Si el sistema no tiene interacciones, el sistema puede aproximar su incorporación promediando las incorporaciones de elementos de la misma categoría mismo usuario que sube el video (en YouTube), etcétera.
Es difícil incluir funciones complementarias para una consulta o un elemento
Los atributos secundarios son aquellos que van más allá del ID de la búsqueda o del elemento. Para películas recomendaciones, los atributos laterales pueden incluir país o edad. Incluyendo los atributos laterales disponibles mejoran la calidad del modelo. Si bien es posible que no sea fácil incluir atributos adicionales en WALS. una generalización de WALS lo hace posible.
Para generalizar WALS, aumenta la matriz de entrada con atributos definiendo un matriz de bloques \(\bar A\), en la que:
- El bloque (0, 0) es la matriz de comentarios original \(A\).
- El bloque (0, 1) es una codificación multi-hot de los atributos del usuario.
- El bloque (1, 0) es una codificación multi-hot de las características del elemento.